[[355156]]

1. 概述

在本教程中，我們將介紹 Apache Beam 并探討其基本概念。我們將首先演示使用 Apache Beam 的用例和好處，然后介紹基本概念和術語。之后，我們將通過一個簡單的例子來說明 Apache Beam 的所有重要方面。

2. Apache Beam是個啥?

Apache Beam(Batch+strEAM)是一個用于批處理和流式數(shù)據(jù)處理作業(yè)的統(tǒng)一編程模型。它提供了一個軟件開發(fā)工具包，用于定義和構建數(shù)據(jù)處理管道以及執(zhí)行這些管道的運行程序。

Apache Beam旨在提供一個可移植的編程層。事實上，Beam管道運行程序將數(shù)據(jù)處理管道轉換為與用戶選擇的后端兼容的API。目前，支持這些分布式處理后端有：

• Apache Apex
• Apache Flink
• Apache Gearpump (incubating)
• Apache Samza
• Apache Spark
• Google Cloud Dataflow
• Hazelcast Jet

3. 為啥選擇 Apache Beam

Apache Beam 將批處理和流式數(shù)據(jù)處理融合在一起，而其他組件通常通過單獨的 API 來實現(xiàn)這一點 。因此，很容易將流式處理更改為批處理，反之亦然，例如，隨著需求的變化。

Apache Beam 提高了可移植性和靈活性。我們關注的是邏輯，而不是底層的細節(jié)。此外，我們可以隨時更改數(shù)據(jù)處理后端。

Apache Beam 可以使用 Java、Python、Go和 Scala等SDK。事實上，團隊中的每個人都可以使用他們選擇的語言。

4. 基本概念

使用 Apache Beam，我們可以構建工作流圖(管道)并執(zhí)行它們。編程模型中的關鍵概念是：

• PCollection–表示可以是固定批處理或數(shù)據(jù)流的數(shù)據(jù)集
• PTransform–一種數(shù)據(jù)處理操作，它接受一個或多個 PCollections 并輸出零個或多個 PCollections。
• Pipeline–表示 PCollection 和 PTransform 的有向無環(huán)圖，因此封裝了整個數(shù)據(jù)處理作業(yè)。
• PipelineRunner–在指定的分布式處理后端上執(zhí)行管道。

簡單地說，PipelineRunner 執(zhí)行一個管道，管道由 PCollection 和 PTransform 組成。

5. 字數(shù)統(tǒng)計示例

現(xiàn)在我們已經(jīng)學習了 Apache Beam 的基本概念，讓我們設計并測試一個單詞計數(shù)任務。

5.1 建造梁式管道

設計工作流圖是每個 Apache Beam 作業(yè)的第一步，單詞計數(shù)任務的步驟定義如下：

• 1.從原文中讀課文。
• 2.把課文分成單詞表。
• 3.所有單詞都小寫。
• 4.刪去標點符號。
• 5.過濾停止語。
• 6.統(tǒng)計唯一單詞數(shù)量。

為了實現(xiàn)這一點，我們需要使用 PCollection 和 PTransform 抽象將上述步驟轉換為 管道 。

5.2. 依賴

在實現(xiàn)工作流圖之前，先添加 Apache Beam的依賴項 到我們的項目：

<dependency> 
    <groupId>org.apache.beam</groupId> 
    <artifactId>beam-sdks-java-core</artifactId> 
    <version>${beam.version}</version> 
</dependency> 

Beam管道運行程序依賴于分布式處理后端來執(zhí)行任務。我們添加 DirectRunner 作為運行時依賴項：

<dependency> 
    <groupId>org.apache.beam</groupId> 
    <artifactId>beam-runners-direct-java</artifactId> 
    <version>${beam.version}</version> 
    <scope>runtime</scope> 
</dependency> 

與其他管道運行程序不同，DirectRunner 不需要任何額外的設置，這對初學者來說是個不錯的選擇。

5.3. 實現(xiàn)

Apache Beam 使用 Map-Reduce 編程范式 ( 類似 Java Stream)。講下面內容之前，最好 對 reduce(), filter(), count(), map(), 和 flatMap() 有個基礎概念和認識。

首先要做的事情就是 創(chuàng)建管道：

PipelineOptions options = PipelineOptionsFactory.create(); 
Pipeline p = Pipeline.create(options); 

六步單詞計數(shù)任務：

PCollection<KV<String, Long>> wordCount = p 
    .apply("(1) Read all lines",  
      TextIO.read().from(inputFilePath)) 
    .apply("(2) Flatmap to a list of words",  
      FlatMapElements.into(TypeDescriptors.strings()) 
      .via(line -> Arrays.asList(line.split("\\s")))) 
    .apply("(3) Lowercase all",  
      MapElements.into(TypeDescriptors.strings()) 
      .via(word -> word.toLowerCase())) 
    .apply("(4) Trim punctuations",  
      MapElements.into(TypeDescriptors.strings()) 
      .via(word -> trim(word))) 
    .apply("(5) Filter stopwords",  
      Filter.by(word -> !isStopWord(word))) 
    .apply("(6) Count words",  
      Count.perElement()); 

apply() 的第一個(可選)參數(shù)是一個String，它只是為了提高代碼的可讀性。下面是上述代碼中每個 apply() 的作用：

首先，我們使用 TextIO 逐行讀取輸入文本文件。

將每一行按空格分開，把它映射到一個單詞表上。

單詞計數(shù)不區(qū)分大小寫，所以我們將所有單詞都小寫。

之前，我們用空格分隔行，但是像“word!“和”word?"這樣的，就需要刪除標點符號。

像“is”和“by”這樣的停止詞在幾乎每一篇英語文章中都很常見，所以我們將它們刪除。

最后，我們使用內置函數(shù) Count.perElement() 計算唯一單詞數(shù)量。

如前所述，管道是在分布式后端處理的。不可能在內存中的PCollection上迭代，因為它分布在多個后端。相反，我們將結果寫入外部數(shù)據(jù)庫或文件。

首先，我們將PCollection轉換為String。然后，使用TextIO編寫輸出：

wordCount.apply(MapElements.into(TypeDescriptors.strings()) 
    .via(count -> count.getKey() + " --> " + count.getValue())) 
    .apply(TextIO.write().to(outputFilePath)); 

現(xiàn)在管道 已經(jīng)定義好了，接下來做個簡單的測試。

5.4. 運行測試

到目前為止，我們已為單詞計數(shù)任務定義了管道，現(xiàn)在運行管道：

p.run().waitUntilFinish(); 

在這行代碼中，Apache Beam 將把我們的任務發(fā)送到多個 DirectRunner 實例。因此，最后將生成幾個輸出文件。它們將包含以下內容：

... 
apache --> 3 
beam --> 5 
rocks --> 2 
... 

在 Apache Beam 中定義和運行分布式作業(yè)是如此地簡單。為了進行比較，單詞計數(shù)實現(xiàn)在 Apache Spark, Apache Flink 和 Hazelcast-Jet 上也有

6. 結語

在本教程中，我們了解了 Apache Beam 是什么，以及它為什么比其他選擇更受歡迎。我們還通過一個單詞計數(shù)示例演示了 Apache Beam 的基本概念。

本文轉載自微信公眾號「鍋外的大佬」，可以通過以下二維碼關注。轉載本文請聯(lián)系鍋外的大佬公眾號。