如何在 Cloud Dataflow 中使用 TextIO.Read 匹配具有名称的多个文件

问题描述

我有一个 gcs 文件夹，如下所示:

I have a gcs folder as below:

gs://<bucket-name>/<folder-name>/dt=2017-12-01/part-0000.tsv
                                /dt=2017-12-02/part-0000.tsv
                                /dt=2017-12-03/part-0000.tsv
                                /dt=2017-12-04/part-0000.tsv
                                ...

我只想匹配 dt=2017-12-02 和 dt=2017-12-03 下的文件，使用 sc.textFile() 在 Scio 中，据我所知，它在下面使用 TextIO.Read.from() .

I want to match only the files under dt=2017-12-02 and dt=2017-12-03 using sc.textFile() in Scio, which uses TextIO.Read.from() underneath as far as I know.

我试过了

gs://<bucket-name>/<folder-name>/dt={2017-12-02,2017-12-03}/*.tsv

和

gs://<bucket-name>/<folder-name>/dt=2017-12-(02|03)/*.tsv

都匹配零个文件:

INFO org.apache.beam.sdk.io.FileBasedSource - Filepattern gs://<bucket-name>/<folder-name>/dt={2017-12-02,2017-12-03}/*.tsv matched 0 files with total size 0

INFO org.apache.beam.sdk.io.FileBasedSource - Filepattern gs://<bucket-name>/<folder-name>/dt=2017-12-(02|03)/*.tsv matched 0 files with total size 0

执行此操作的有效文件模式应该是什么?

What should be the valid filepattern on doing this?

推荐答案

您需要使用 TextIO.readAll() 转换来读取 PCollection文件模式.通过 Create.of() 显式创建文件模式集合，或者您可以使用 ParDo 计算它.

You need to use the TextIO.readAll() transform that reads a PCollection<String> of filepatterns. Create the collection of filepatterns either explicitly via Create.of() or you can compute it using a ParDo.

case class ReadPaths(paths: java.lang.Iterable[String]) extends PTransform[PBegin, PCollection[String]] {
  override def expand(input: PBegin) = {
    Create.of(paths).expand(input).apply(TextIO.readAll())
  }
}

val paths = Seq(
  "gs://<bucket-name>/<folder-name>/dt=2017-07-01/part-0000.tsv",
  "gs://<bucket-name>/<folder-name>/dt=2017-12-20/part-0000.tsv",
  "gs://<bucket-name>/<folder-name>/dt=2018-03-29/part-0000.tsv",
  "gs://<bucket-name>/<folder-name>/dt=2018-05-04/part-0000.tsv"
)

import scala.collection.JavaConverters._

sc.customInput("Read Paths", ReadPaths(paths.asJava))

这篇关于如何在 Cloud Dataflow 中使用 TextIO.Read 匹配具有名称的多个文件的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！