如何使用Python处理数据流管道中的BigQuery插入错误？

我正在尝试使用数据流创建一个流式管道，该管道从PubSub主题读取消息，最后将其写入BigQuery表。我不想使用任何数据流模板

目前，我只想在从Google VM实例执行的Python3脚本中创建一个管道，对从Pubsub到达的每条消息执行加载和转换过程（解析它包含的记录并添加一个新字段），最终将结果写入BigQuery表

简单来说，我的代码是：

#!/usr/bin/env python
from apache_beam.options.pipeline_options import PipelineOptions
from google.cloud import pubsub_v1, 
import apache_beam as beam
import apache_beam.io.gcp.bigquery
import logging
import argparse
import sys
import json
from datetime import datetime, timedelta

def load_pubsub(message):
    try:
        data = json.loads(message)
        records = data["messages"]
        return records
    except:
        raise ImportError("Something went wrong reading data from the Pub/Sub topic")

class ParseTransformPubSub(beam.DoFn):
    def __init__(self):
        self.water_mark = (datetime.now() + timedelta(hours = 1)).strftime("%Y-%m-%d %H:%M:%S.%f")
    def process(self, records):
        for record in records:
            record["E"] = self.water_mark 
            yield record

def main():
    table_schema = apache_beam.io.gcp.bigquery.parse_table_schema_from_json(open("TableSchema.json"))
    parser = argparse.ArgumentParser()
    parser.add_argument('--input_topic')
    parser.add_argument('--output_table')
    known_args, pipeline_args = parser.parse_known_args(sys.argv)
    with beam.Pipeline(argv = pipeline_args) as p:
        pipe = ( p | 'ReadDataFromPubSub' >> beam.io.ReadStringsFromPubSub(known_args.input_topic)
                   | 'LoadJSON' >> beam.Map(load_pubsub)
                   | 'ParseTransform' >> beam.ParDo(ParseTransformPubSub())
                   | 'WriteToAvailabilityTable' >> beam.io.WriteToBigQuery(
                                      table = known_args.output_table,
                                      schema = table_schema,
                                      create_disposition = beam.io.BigQueryDisposition.CREATE_IF_NEEDED,
                                      write_disposition = beam.io.BigQueryDisposition.WRITE_APPEND)
                )   
        result = p.run()
        result.wait_until_finish()

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

（例如）PubSub主题中发布的消息通常如下所示：

'{"messages":[{"A":"Alpha", "B":"V1", "C":3, "D":12},{"A":"Alpha", "B":"V1", "C":5, "D":14},{"A":"Alpha", "B":"V1", "C":3, "D":22}]}'

如果在记录中添加了字段“E”，那么记录的结构（Python中的字典）和字段的数据类型就是BigQuery表所期望的

我想处理的问题是：

如果一些消息带有意外的结构，我希望将管道分支展平，并将它们写入另一个BigQuery表中

如果某些消息包含意外的字段数据类型，那么在管道的最后一级，当它们应该写入表中时，将发生错误。我想通过将记录转移到第三个表来管理这种类型的错误

我阅读了以下页面上的文档，但没有发现任何内容：

顺便说一句，如果我选择通过从PubSubscription读取并写入BigQuery的模板配置管道的选项，我会得到以下模式，这与我正在寻找的模式相同：

---

您无法捕获sink to BigQuery中发生的错误。您写入bigquery的消息必须是好的

---

最好的模式是执行检查消息结构和字段类型的转换。如果出现错误，您将创建一个错误流，并将此问题流写入一个文件（例如，在没有架构的表中，您将以纯文本形式写入消息）

非常感谢Guillaume！这正是我想象的。您知道我可以在哪个网站或存储库中找到数据流中Python检查应用程序的示例吗。在DoFn函数中，如

ProcessWords

，执行检查以确保流程正确。对于所有发现的错误，执行此

生成pvalue.TaggedOutput（'error\u value'，element）

。通过应用ParDo，您可以在输出中获得2个集合：正确流和错误流。然后在每个PCollection上应用所需的接收器。