避免在 Beam Python SDK 中重新计算所有 Cloud Storage 文件的大小

Question

我正在研究一个从 Google Cloud Storage (GCS) 目录读取约 500 万个文件的管道。我已将其配置为在 Google Cloud Dataflow 上运行。

问题是，当我启动管道时，需要几个小时来“计算所有文件的大小”：

INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 10000 files
[...]
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 5480000 files
INFO:apache_beam.io.gcp.gcsio:Finished listing 5483720 files in 5549.38778591156 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 10000 files
[...]
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 5480000 files
INFO:apache_beam.io.gcp.gcsio:Finished listing 5483720 files in 7563.196493148804 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished computing size of: 10000 files
[...]

如您所见，计算大约 550 万个文件的大小花了一个半小时（5549 秒），然后又从头开始！运行第二遍又用了2个小时，然后第三遍就开始了！在撰写本文时，该作业在 Dataflow 控制台中仍然不可用，这让我相信这一切都发生在我的本地机器上，并没有利用任何分布式计算。

当我使用较小的输入数据集（2 个文件）测试管道时，它会重复大小估计 4 次：

INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.33771586418151855 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.1244659423828125 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.13422417640686035 seconds.
INFO:apache_beam.io.gcp.gcsio:Starting the size estimation of the input
INFO:apache_beam.io.gcp.gcsio:Finished listing 2 files in 0.14139890670776367 seconds.

按照这个速度，仅在 Dataflow 作业开始之前对所有 5.5M 文件执行 GCS 大小估计 4 次就需要大约 8 小时。

我的管道配置了该--runner=DataflowRunner选项，因此它应该在 Dataflow 中运行：

python bigquery_import.py --runner=DataflowRunner #other options...

管道从 GCS 读取，如下所示：

parser = argparse.ArgumentParser()
parser.add_argument(
    '--input',
    required=True,
    help='Input Cloud Storage directory to process.')
known_args, pipeline_args = parser.parse_known_args(argv)
pipeline_options = PipelineOptions(pipeline_args)
pipeline_options.view_as(SetupOptions).save_main_session = True

with beam.Pipeline(options=pipeline_options) as p:
    files = p | beam.io.ReadFromText('gs://project/dir/*.har.gz')

有关完整代码，请参阅GitHub 上的bigquery_import.py。

我很困惑为什么这个乏味的过程发生在 Dataflow 环境之外，为什么需要多次完成。我是从 GCS 正确读取文件还是有更有效的方法？

Answer 1

感谢您报告此事。Beam 有两种用于阅读文本的变换。ReadFromText和ReadAllFromText。ReadFromText会遇到这个问题，但ReadAllFromText不应该。

https://github.com/apache/beam/blob/master/sdks/python/apache_beam/io/textio.py#L438

缺点ReadAllFromText是它不会执行动态工作重新平衡，但是在读取大量文件时这应该不是问题。

创建https://issues.apache.org/jira/browse/BEAM-9620用于跟踪 ReadFromText（以及一般基于文件的源）的问题。