我目前正在编写一个Java实用程序,用于将几个CSV文件从GCS导入BigQuery。我可以通过bq load
轻松实现这一点,但我想使用Dataflow作业来实现。所以我使用Dataflow的Pipeline和ParDo转换器(返回TableRow将它应用于BigQueryIO),我已经为转换创建了StringToRowConverter()。这里实际问题开始了 - 我被迫为目标表指定模式,虽然我不想创建一个新表,如果它不存在 - 只是尝试加载数据。所以我不想手动设置TableRow的列名,因为我有大约600列。
public class StringToRowConverter extends DoFn<String, TableRow> {
private static Logger logger = LoggerFactory.getLogger(StringToRowConverter.class);
public void processElement(ProcessContext c) {
TableRow row = new TableRow();
row.set("DO NOT KNOW THE COLUMN NAME", c.element());
c.output(row);
}
}
此外,假设该表已存在于BigQuery数据集中,我不需要创建它,并且CSV文件也按正确的顺序包含列。
如果此方案没有解决方法且数据加载需要列名,那么我可以将其放在CSV文件的第一行。
任何帮助将不胜感激。
答案 0 :(得分:6)
为避免创建表,应在管道配置期间使用BigQueryIO.Write的BigQueryIO.Write.CreateDisposition.CREATE_NEVER。资料来源:https://cloud.google.com/dataflow/java-sdk/JavaDoc/com/google/cloud/dataflow/sdk/io/BigQueryIO.Write
您不需要事先了解BigQuery表架构,您可以动态地发现它。例如,您可以使用BigQuery API(https://cloud.google.com/bigquery/docs/reference/rest/v2/tables/get)查询表模式,并将其作为StringToRowConverter类的参数传递。另一个选项并假设第一行是标题,是跳过第一行并使用它来正确映射文件的其余部分。
下面的代码实现了第二种方法,并将输出配置为附加到现有的BigQuery表。
public class DFJob {
public static class StringToRowConverter extends DoFn<String, TableRow> {
private String[] columnNames;
private boolean isFirstRow = true;
public void processElement(ProcessContext c) {
TableRow row = new TableRow();
String[] parts = c.element().split(",");
if (isFirstRow) {
columnNames = Arrays.copyOf(parts, parts.length);
isFirstRow = false;
} else {
for (int i = 0; i < parts.length; i++) {
row.set(columnNames[i], parts[i]);
}
c.output(row);
}
}
}
public static void main(String[] args) {
DataflowPipelineOptions options = PipelineOptionsFactory.create()
.as(DataflowPipelineOptions.class);
options.setRunner(BlockingDataflowPipelineRunner.class);
Pipeline p = Pipeline.create(options);
p.apply(TextIO.Read.from("gs://dataflow-samples/myfile.csv"))
.apply(ParDo.of(new StringToRowConverter()))
.apply(BigQueryIO.Write.to("myTable")
.withCreateDisposition(BigQueryIO.Write.CreateDisposition.CREATE_NEVER)
.withWriteDisposition(BigQueryIO.Write.WriteDisposition.WRITE_APPEND));
PipelineResult result = p.run();
}
}