Google bigquery 谷歌发布/订阅数据流，避免记录ID重复

我正在尝试构建一个流数据流作业，它从Pub/Sub读取事件并将它们写入BigQuery

根据文档，如果使用记录ID，数据流可以检测重复的消息传递（请参阅：）

但是即使使用这个记录ID，我仍然有一些重复的 （约0.0002%）

我错过什么了吗

编辑：

我使用以下snipplet发布消息：

Message
      .builder()
      .data(new String(Base64.encodeBase64(json.getBytes())))
      .attributes("myid", id, "mytimestamp", timestamp.toString)
      .build()

然后我使用从pub/sub读取消息并将其保存到数据流：

val input = sc.withName("ReadFromSubscription")
              .pubsubSubscription(subscriptionName, "myid", "mytimestamp")
input
    .withName("FixedWindow")
    .withFixedWindows(windowSize)  // apply windowing logic
    .toWindowed  // convert to WindowedSCollection
    //
    .withName("ParseJson")
    .map { wv =>
      wv.copy(value = TableRow(
        "message_id" -> (Json.parse(wv.value) \ "id").as[String],
        "message" -> wv.value)
      )
    }
    //
    .toSCollection  // convert back to normal SCollection
    //
    .withName("SaveToBigQuery")
    .saveAsBigQuery(bigQueryTable(opts), BQ_SCHEMA, WriteDisposition.WRITE_APPEND)

窗口大小为1分钟

在注入消息几秒钟后，我在BigQuery中已经有了重复的消息

我使用此查询统计重复项：

SELECT 
   COUNT(message_id) AS TOTAL, 
   COUNT(DISTINCT message_id) AS DISTINCT_TOTAL 
FROM my_dataset.my_table

//returning 273666  273564

这是一个用来观察它们的例子：

SELECT *
FROM my_dataset.my_table
WHERE message_id IN (
  SELECT message_id
  FROM my_dataset.my_table
  GROUP BY message_id
  HAVING COUNT(*) > 1
) ORDER BY message_id

//returning for instance:
row|id                                    | processed_at           | processed_at_epoch    
1   00166a5c-9143-3b9e-92c6-aab52601b0be    2017-02-02 14:06:50 UTC 1486044410367   { ...json1... }  
2   00166a5c-9143-3b9e-92c6-aab52601b0be    2017-02-02 14:06:50 UTC 1486044410368   { ...json1... }  
3   00354cc4-4794-3878-8762-f8784187c843    2017-02-02 13:59:33 UTC 1486043973907   { ...json2... }  
4   00354cc4-4794-3878-8762-f8784187c843    2017-02-02 13:59:33 UTC 1486043973741   { ...json2... } 
5   0047284e-0e89-3d57-b04d-ebe4c673cc1a    2017-02-02 14:09:10 UTC 1486044550489   { ...json3... } 
6   0047284e-0e89-3d57-b04d-ebe4c673cc1a    2017-02-02 14:08:52 UTC 1486044532680   { ...json3... }

报告指出，可能会出现罕见的重复出现的情况：

“BigQuery会记住此ID至少一分钟”--如果数据流在重试前花费一分钟以上，则insert BigQuery可能允许重复输入。您可以查看管道中的日志，以确定是否存在这种情况

“在罕见的谷歌数据中心意外失去连接的情况下，自动重复数据消除可能无法实现。”

---

您可能想尝试使用的说明。这还将允许您查看与每行一起使用的

insertID

，以确定问题是在数据流端（为同一记录生成不同的

insertID

）还是在BigQuery端（无法根据行的

insertID

删除重复数据）.

您能否详细说明如何使用记录ID和测量重复项？从文档中注意到，“Dataflow不会对间隔超过10分钟发布到发布/订阅的具有相同记录ID值的邮件执行此重复数据消除。”这可能会导致您观察到重复数据吗？我添加了更多信息：）