Google cloud platform 如何在云数据流python管道中读取多种数据存储类型
我试图从python管道中的默认名称空间中读取多个数据存储类型,并希望处理它们。我编写的函数在DirectRunner本地运行良好,但当我使用DataflowRunner在云上运行管道时,其中一种(包含1500条记录)的读取速度非常快,而另一种(包含数百万条记录)的读取速度非常慢 作为参考,当我尝试读取管道中的一种(包含数百万条记录)时,需要10分钟,但当同时执行这两种操作时,几乎需要1小时,而且它只处理了1/10的记录 我想不出是什么问题 这是我的密码Google cloud platform 如何在云数据流python管道中读取多种数据存储类型,google-cloud-platform,google-cloud-datastore,google-cloud-dataflow,apache-beam,apache-beam-io,Google Cloud Platform,Google Cloud Datastore,Google Cloud Dataflow,Apache Beam,Apache Beam Io,我试图从python管道中的默认名称空间中读取多个数据存储类型,并希望处理它们。我编写的函数在DirectRunner本地运行良好,但当我使用DataflowRunner在云上运行管道时,其中一种(包含1500条记录)的读取速度非常快,而另一种(包含数百万条记录)的读取速度非常慢 作为参考,当我尝试读取管道中的一种(包含数百万条记录)时,需要10分钟,但当同时执行这两种操作时,几乎需要1小时,而且它只处理了1/10的记录 我想不出是什么问题 这是我的密码 def read_from_datast
def read_from_datastore(project,user_options, pipeline_options):
p = beam.Pipeline(options=pipeline_options)
query = query_pb2.Query()
query.kind.add().name = user_options.kind #reading 1st kind this is the one with million records
students = p | 'ReadFromDatastore' >> ReadFromDatastore(project=project,query=query)
query = query_pb2.Query()
query.kind.add().name = user_options.kind2 #reading 2nd kind this is the one with 1500 records
courses = p | 'ReadFromDatastore2' >> ReadFromDatastore(project=project,query=query)
open_courses = courses | 'closed' >> beam.FlatMap(filter_closed_courses)
enrolled_students = students | beam.ParDo(ProfileDataDumpDataFlow(),AsIter(open_courses))
如果有人知道为什么会发生这种情况,请告诉我。我看到您正在进行两种类型的联接操作。为此,如果您将其加载到,它将更合适、更快。在BigQuery中执行所需的联接操作
它不是在工作中花费时间读取实体,而是连接操作 你能分享你指定的信息吗?特别是num_workers、max_num_workers和machine_type。你可以看看如何使用数据流进行关系连接。嘿@Yurci管道选项是默认的Google数据流选项,没有修改。我不认为连接是这里的问题。当我试着在评论ParDo之后一起阅读这两个实体,然后直接打印它们时,情况仍然是一样的。1500门左右的课程几乎可以立即阅读,而拥有数百万记录的学生需要花费大量时间。或者,当我硬编码大约200-300门课程并运行它时,连接工作非常完美,我在大约15-20分钟内得到所有学生数据的输出。