如何在Python中从Datalab运行数据流作业？

我在从Datalab运行数据流作业时遇到了一些问题。对于这种情况，我可以使用一个最简单的Python代码示例，因为Google云平台或ApacheBeam文档中似乎没有这一示例

如果我能看到一些Python代码，这些代码可以从执行以下操作的Datalab单元中运行，这将非常有帮助

# 1. Sets up the job

# 2. Defines the processing logic to be applied to the input data files

# 3. Saves the processed files to an output folder

# 4. Submits the job to Google Cloud Dataflow

为了解决这个问题，我试着使用Google和Apache文档中的单词计数示例，并对它们进行调整，以便在Datalab中使用。这方面的代码如下所示，但我不清楚我可以去掉哪些部分来将其转化为真正最小的工作示例

from __future__ import absolute_import
import argparse
import logging
import re
from past.builtins import unicode
import apache_beam as beam
from apache_beam.io import ReadFromText
from apache_beam.io import WriteToText
from apache_beam.options.pipeline_options import PipelineOptions
from apache_beam.options.pipeline_options import SetupOptions

def run(argv=None):
  """Main entry point; defines and runs the wordcount pipeline."""
  parser = argparse.ArgumentParser()
  parser.add_argument('--input',
                      dest='input',
                      default='gs://data-analytics/kinglear.txt',
                      help='Input file to process.')
  parser.add_argument('--output',
                      dest='output',
                      default='gs://data-analytics/output',
                      help='Output file to write results to.')
  known_args, pipeline_args = parser.parse_known_args(argv)
  pipeline_args.extend([
      '--runner=DataflowRunner',
      '--project=project',
      '--staging_location=gs://staging',
      '--temp_location=gs://tmp',
      '--job_name=your-wordcount-job',
  ])

  # We use the save_main_session option because one or more DoFn's in this
  # workflow rely on global context (e.g., a module imported at module level).
  pipeline_options = PipelineOptions(pipeline_args)
  pipeline_options.view_as(SetupOptions).save_main_session = True

  with beam.Pipeline(options=pipeline_options) as p:

    # Read the text file[pattern] into a PCollection.
    lines = p | ReadFromText(known_args.input)

    # Count the occurrences of each word.
    counts = (
        lines
        | 'Split' >> (beam.FlatMap(lambda x: re.findall(r'[A-Za-z\']+', x))
                  .with_output_types(unicode))
        | 'PairWithOne' >> beam.Map(lambda x: (x, 1))
        | 'GroupAndSum' >> beam.CombinePerKey(sum))

    # Format the counts into a PCollection of strings.
    def format_result(word_count):
      (word, count) = word_count
      return '%s: %s' % (word, count)

    output = counts | 'Format' >> beam.Map(format_result)

    # Write the output using a "Write" transform that has side effects.
    output | WriteToText(known_args.output)

if __name__ == '__main__':
  logging.getLogger().setLevel(logging.INFO)
  run()

提前谢谢

---

Josh

我认为您混淆了Datalab和Dataflow的功能。这是两个不同的编程平台，您正在将它们混合在一起。您的注释：

定义要应用于输入数据文件的处理逻辑

。处理逻辑是云数据流的源代码（或模板）提供的，而不是运行在云数据实验室笔记本中的代码

作为一个选项：如果安装云数据流库并使用Python 2.x，则可以在Datalab笔记本中编写云数据流（Apache Beam）软件。此代码将在Datalab内部本地运行，不会启动数据流作业

这里有一些链接可以帮助您编写创建云数据流作业的软件。

下面是一个StackOverflow答案，它将向您展示如何在python中启动数据流作业：

Google Dataflow Java文档，但对所需步骤有很好的解释：

这是指向Dataflow Python客户端API的链接：

---

我认为您混淆了Datalab和Dataflow的功能。这是两个不同的编程平台，您正在将它们混合在一起。您的注释：

定义要应用于输入数据文件的处理逻辑

。处理逻辑是云数据流的源代码（或模板）提供的，而不是运行在云数据实验室笔记本中的代码

作为一个选项：如果安装云数据流库并使用Python 2.x，则可以在Datalab笔记本中编写云数据流（Apache Beam）软件。此代码将在Datalab内部本地运行，不会启动数据流作业

这里有一些链接可以帮助您编写创建云数据流作业的软件。

下面是一个StackOverflow答案，它将向您展示如何在python中启动数据流作业：

Google Dataflow Java文档，但对所需步骤有很好的解释：

这是指向Dataflow Python客户端API的链接：

---

我在这里的教程的帮助下解决了这个问题：现在可以使用以下代码从Datalab启动数据流作业

import apache_beam as beam

# Pipeline options:
options                         = beam.options.pipeline_options.PipelineOptions()
gcloud_options                  = options.view_as(beam.options.pipeline_options.GoogleCloudOptions)
gcloud_options.job_name         = 'test'
gcloud_options.project          = 'project'
gcloud_options.staging_location = 'gs://staging'
gcloud_options.temp_location    = 'gs://tmp'
gcloud_options.region           = 'europe-west2'

# Worker options:
worker_options                  = options.view_as(beam.options.pipeline_options.WorkerOptions)
worker_options.disk_size_gb     = 30
worker_options.max_num_workers  = 10

# Standard options:
options.view_as(beam.options.pipeline_options.StandardOptions).runner = 'DataflowRunner'

# Pipeline:
PL = beam.Pipeline(options=options)

(
      PL | 'read'  >> beam.io.ReadFromText('gs://input.txt')
         | 'write' >> beam.io.WriteToText ('gs://output.txt', num_shards=1)
)

PL.run()

谢谢

---

Josh

我在这里的教程的帮助下解决了这个问题：现在可以使用以下代码从Datalab启动数据流作业

import apache_beam as beam

# Pipeline options:
options                         = beam.options.pipeline_options.PipelineOptions()
gcloud_options                  = options.view_as(beam.options.pipeline_options.GoogleCloudOptions)
gcloud_options.job_name         = 'test'
gcloud_options.project          = 'project'
gcloud_options.staging_location = 'gs://staging'
gcloud_options.temp_location    = 'gs://tmp'
gcloud_options.region           = 'europe-west2'

# Worker options:
worker_options                  = options.view_as(beam.options.pipeline_options.WorkerOptions)
worker_options.disk_size_gb     = 30
worker_options.max_num_workers  = 10

# Standard options:
options.view_as(beam.options.pipeline_options.StandardOptions).runner = 'DataflowRunner'

# Pipeline:
PL = beam.Pipeline(options=options)

(
      PL | 'read'  >> beam.io.ReadFromText('gs://input.txt')
         | 'write' >> beam.io.WriteToText ('gs://output.txt', num_shards=1)
)

PL.run()

谢谢

乔希