如何解决数据流流作业-写入BigQuery时出错
使用“ FILE_LOADS”技术通过Apache Beam Dataflow作业向BigQuery写入错误。 Streaming INSERT（其他块）可以正常运行，并且符合预期。 “ FILE_LOAD”（如果是块）失败，并在代码后给出以下错误。存储桶中GCS上的临时文件是有效的JSON对象。
示例来自发布/订阅的原始事件：
"{'event': 'test','entityId': 13615316690,'eventTime': '2020-08-12T15:56:07.130899+00:00','targetEntityId': 8947793,'targetEntityType': 'item','entityType': 'guest','properties': {}}"
"{'event': 'test','properties': {‘action’: ‘delete’}}"
from __future__ import absolute_import
import logging
import sys
import traceback
import argparse
import ast
import json
import datetime
import dateutil.parser as date_parser
import apache_beam as beam
import apache_beam.pvalue as pvalue
from google.cloud.bigquery import CreateDisposition,WriteDisposition
from apache_beam.io.gcp.bigquery_tools import RetryStrategy
def get_values(element):
# convert properties from dict to arr of dicts to form a repeatable bq table record
prop_list = [{'property_name': k,'property_value': v} for k,v in element['properties'].items()]
date_parsed = date_parser.parse(element.get('eventTime'))
event_time = date_parsed.strftime('%Y-%m-%d %H:%M:00')
raw_value = {'event': element.get('event'),'entity_type': element.get('entityType'),'entity_id': element.get('entityId'),'target_entity_type': element.get('targetEntityType'),'target_entity_id': element.get('targetEntityId'),'event_time': event_time,'properties': prop_list
}
return raw_value
def stream_to_bq(c: dict):
argv = [
f'--project={c["PROJECT"]}',f'--runner=DataflowRunner',f'--job_name={c["JOBNAME"]}',f'--save_main_session',f'--staging_location=gs://{c["BUCKET_NAME"]}/{c["STAGING_LOCATION"]}',f'--temp_location=gs://{c["BUCKET_NAME"]}/{c["TEMP_LOCATION"]}',f'--network={c["NETWORKPATH"]}',f'--subnetwork={c["SUBNETWORKPATH"]}',f'--region={c["REGION"]}',f'--service_account_email={c["SERVICE_ACCOUNT"]}',# f'--setup_file=./setup.py',# f'--autoscaling_algorithm=THROUGHPUT_BASED',# f'--maxWorkers=15',# f'--experiments=shuffle_mode=service','--no_use_public_ips',f'--streaming'
]
if c['FILE_LOAD']:
argv.append('--experiments=allow_non_updatable_job')
argv.append('--experiments=use_beam_bq_sink')
p = beam.Pipeline(argv=argv)
valid_msgs = (p
| 'Read from Pubsub' >>
beam.io.ReadFromPubSub(subscription=c['SUBSCRIPTION']).with_output_types(bytes)
)
records = (valid_msgs
| 'Event Parser(BQ Row) ' >> beam.Map(get_values)
)
# Load data to BigQuery using - 'Load Jobs' or 'Streaming Insert',choice based on latency expectation.
if c['FILE_LOAD']:
records | 'Write Result to BQ' >> beam.io.WriteToBigQuery(c["RAW_TABLE"],project=c["PROJECT"],dataset=c["DATASET_NAME"],method='FILE_LOADS',triggering_frequency=c['FILE_LOAD_FREQUENCY'],create_disposition=CreateDisposition.CREATE_NEVER,write_disposition=WriteDisposition.WRITE_APPEND
)
else:
records | 'Write Result to BQ' >> beam.io.WriteToBigQuery(c["RAW_TABLE"],write_disposition=WriteDisposition.WRITE_APPEND,insert_retry_strategy=RetryStrategy.RETRY_ON_TRANSIENT_ERROR
)
p.run()
数据流作业出错：
message: 'Error while reading data,error message: JSON table encountered too many errors,giving up. Rows: 1; errors: 1. Please look into the errors[] collection for more details.' reason: 'invalid'> [while running 'generatedPtransform-1801'] java.util.concurrent.CompletableFuture.reportGet(CompletableFuture.java:357) java.util.concurrent.CompletableFuture.get(CompletableFuture.java:1895) org.apache.beam.sdk.util.MoreFutures.get(MoreFutures.java:57)
解决方法
该问题似乎是BigQuery的错误加载。我的建议是尝试在Dataflow之外进行测试加载工作，以确保您的架构和数据结构正确。您可以关注this BQ documentation。
此外，我注意到您未指定schema或SCHEMA_AUTODETECT。我建议您指定它。
要了解这些错误，请尝试检查“数据流作业”日志，其中可能包含很多信息。如果您的加载作业失败，则可以检查BigQuery中的那些作业，它们还将为您提供有关失败原因的更多信息。您可以使用此StackDriver日志查找BQ加载作业ID：
resource.type="dataflow_step"
resource.labels.job_id= < YOUR DF JOB ID >
jsonPayload.message:("Triggering job" OR "beam_load")
我非常确定问题是由重复字段properties或架构引起的，因为考虑到它仅在Load Job中失败，架构似乎更有可能（也许该表的架构是错误）。无论如何，在这里您有一个有效的管道，我在一边进行了测试，并且两个BQ插入件均有效：
schema = {
"fields":
[
{
"name": "name","type": "STRING"
},{
"name": "repeated","type": "RECORD","mode": "REPEATED","fields": [
{
"name": "spent","type": "INTEGER"
},{
"name": "ts","type": "TIMESTAMP"
}
]
}
]
}
def fake_parsing(element):
# Using a fake parse so it's easier to reproduce
properties = []
rnd = random.random()
if rnd < 0.25:
dict_prop = {"spent": random.randint(0,100),"ts": datetime.now().strftime('%Y-%m-%d %H:%M:00')}
properties.append(dict_prop)
elif rnd > 0.75:
# repeated
dict_prop = {"spent": random.randint(0,"ts": datetime.now().strftime('%Y-%m-%d %H:%M:00')}
properties += [dict_prop,dict_prop]
elif 0.5 > rnd > 0.75:
properties.append({"ts": datetime.now().strftime('%Y-%m-%d %H:%M:00')})
return {"name": 'inigo',"repeated": properties}
pubsub = (p | "Read Topic" >> ReadFromPubSub(topic=known_args.topic)
| "To Dict" >> beam.Map(fake_parsing))
pubsub | "Stream To BQ" >> WriteToBigQuery(
table=f"{known_args.table}_streaming_insert",schema=schema,write_disposition=BigQueryDisposition.WRITE_APPEND,method="STREAMING_INSERTS")
pubsub | "Load To BQ" >> WriteToBigQuery(
table=f"{known_args.table}_load_job",method=WriteToBigQuery.Method.FILE_LOADS,triggering_frequency=known_args.triggering,insert_retry_strategy="RETRY_ON_TRANSIENT_ERROR")
我建议您尝试部分管道，而不是立即尝试所有部分，即首先尝试仅加载作业，如果它们失败，请检查它们为什么失败（在Dataflow日志，BigQuery日志或BigQuery UI中）。完成后，添加Streaming插入（或相反）。
,我面临同样的问题。 如果我从本地执行数据流作业，它会按预期运行。 但是当我在云数据流环境中运行它时，它显示了这一点 -
error message: JSON table encountered too many errors,giving up. Rows: 9; errors: 1. Please look into the errors[] collection for more details.' reason: 'invalid'> [while running 'WriteTable/BigQueryBatchFileLoads/WaitForDestinationLoadJobs/WaitForDestinationLoadJobs']
我已经确保本地和云 SKD 都在同一个 apache-beam 版本 2.27 上
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。