Apache Beam 是什么，它為什么比其他選擇更受歡迎？
1. 概述
在本教程中，我們將介紹 Apache Beam 并探討其基本概念。我們將首先演示使用 Apache Beam 的用例和好處，然后介紹基本概念和術(shù)語。之后，我們將通過一個簡單的例子來說明 Apache Beam 的所有重要方面。
2. Apache Beam是個啥?
Apache Beam(Batch+strEAM)是一個用于批處理和流式數(shù)據(jù)處理作業(yè)的統(tǒng)一編程模型。它提供了一個軟件開發(fā)工具包，用于定義和構(gòu)建數(shù)據(jù)處理管道以及執(zhí)行這些管道的運(yùn)行程序。
Apache Beam旨在提供一個可移植的編程層。事實(shí)上，Beam管道運(yùn)行程序?qū)?shù)據(jù)處理管道轉(zhuǎn)換為與用戶選擇的后端兼容的API。目前，支持這些分布式處理后端有：
- Apache Apex
- Apache Flink
- Apache Gearpump (incubating)
- Apache Samza
- Apache Spark
- Google Cloud Dataflow
- Hazelcast Jet
3. 為啥選擇 Apache Beam
Apache Beam 將批處理和流式數(shù)據(jù)處理融合在一起，而其他組件通常通過單獨(dú)的 API 來實(shí)現(xiàn)這一點(diǎn) 。因此，很容易將流式處理更改為批處理，反之亦然，例如，隨著需求的變化。
Apache Beam 提高了可移植性和靈活性。我們關(guān)注的是邏輯，而不是底層的細(xì)節(jié)。此外，我們可以隨時更改數(shù)據(jù)處理后端。
Apache Beam 可以使用 Java、Python、Go和 Scala等SDK。事實(shí)上，團(tuán)隊中的每個人都可以使用他們選擇的語言。
4. 基本概念
使用 Apache Beam，我們可以構(gòu)建工作流圖(管道)并執(zhí)行它們。編程模型中的關(guān)鍵概念是：
- PCollection–表示可以是固定批處理或數(shù)據(jù)流的數(shù)據(jù)集
- PTransform–一種數(shù)據(jù)處理操作，它接受一個或多個 PCollections 并輸出零個或多個 PCollections。
- Pipeline–表示 PCollection 和 PTransform 的有向無環(huán)圖，因此封裝了整個數(shù)據(jù)處理作業(yè)。
- PipelineRunner–在指定的分布式處理后端上執(zhí)行管道。
簡單地說，PipelineRunner 執(zhí)行一個管道，管道由 PCollection 和 PTransform 組成。
5. 字?jǐn)?shù)統(tǒng)計示例
現(xiàn)在我們已經(jīng)學(xué)習(xí)了 Apache Beam 的基本概念，讓我們設(shè)計并測試一個單詞計數(shù)任務(wù)。
5.1 建造梁式管道
設(shè)計工作流圖是每個 Apache Beam 作業(yè)的第一步，單詞計數(shù)任務(wù)的步驟定義如下：
- 1.從原文中讀課文。
- 2.把課文分成單詞表。
- 3.所有單詞都小寫。
- 4.刪去標(biāo)點(diǎn)符號。
- 5.過濾停止語。
- 6.統(tǒng)計唯一單詞數(shù)量。
為了實(shí)現(xiàn)這一點(diǎn)，我們需要使用 PCollection 和 PTransform 抽象將上述步驟轉(zhuǎn)換為 管道 。
5.2. 依賴
在實(shí)現(xiàn)工作流圖之前，先添加 Apache Beam的依賴項 到我們的項目：
- <dependency>
- <groupId>org.apache.beam</groupId>
- <artifactId>beam-sdks-java-core</artifactId>
- <version>${beam.version}</version>
- </dependency>
Beam管道運(yùn)行程序依賴于分布式處理后端來執(zhí)行任務(wù)。我們添加 DirectRunner 作為運(yùn)行時依賴項：
- <dependency>
- <groupId>org.apache.beam</groupId>
- <artifactId>beam-runners-direct-java</artifactId>
- <version>${beam.version}</version>
- <scope>runtime</scope>
- </dependency>
與其他管道運(yùn)行程序不同，DirectRunner 不需要任何額外的設(shè)置，這對初學(xué)者來說是個不錯的選擇。
5.3. 實(shí)現(xiàn)
Apache Beam 使用 Map-Reduce 編程范式 ( 類似 Java Stream)。講下面內(nèi)容之前，最好 對 reduce(), filter(), count(), map(), 和 flatMap() 有個基礎(chǔ)概念和認(rèn)識。
首先要做的事情就是 創(chuàng)建管道：
- PipelineOptions options = PipelineOptionsFactory.create();
- Pipeline p = Pipeline.create(options);
六步單詞計數(shù)任務(wù)：
- PCollection<KV<String, Long>> wordCount = p
- .apply("(1) Read all lines",
- TextIO.read().from(inputFilePath))
- .apply("(2) Flatmap to a list of words",
- FlatMapElements.into(TypeDescriptors.strings())
- .via(line -> Arrays.asList(line.split("\\s"))))
- .apply("(3) Lowercase all",
- MapElements.into(TypeDescriptors.strings())
- .via(word -> word.toLowerCase()))
- .apply("(4) Trim punctuations",
- MapElements.into(TypeDescriptors.strings())
- .via(word -> trim(word)))
- .apply("(5) Filter stopwords",
- Filter.by(word -> !isStopWord(word)))
- .apply("(6) Count words",
- Count.perElement());
apply() 的第一個(可選)參數(shù)是一個String，它只是為了提高代碼的可讀性。下面是上述代碼中每個 apply() 的作用：
首先，我們使用 TextIO 逐行讀取輸入文本文件。
將每一行按空格分開，把它映射到一個單詞表上。
單詞計數(shù)不區(qū)分大小寫，所以我們將所有單詞都小寫。
之前，我們用空格分隔行，但是像“word!“和”word?"這樣的，就需要刪除標(biāo)點(diǎn)符號。
像“is”和“by”這樣的停止詞在幾乎每一篇英語文章中都很常見，所以我們將它們刪除。
最后，我們使用內(nèi)置函數(shù) Count.perElement() 計算唯一單詞數(shù)量。
如前所述，管道是在分布式后端處理的。不可能在內(nèi)存中的PCollection上迭代，因為它分布在多個后端。相反，我們將結(jié)果寫入外部數(shù)據(jù)庫或文件。
首先，我們將PCollection轉(zhuǎn)換為String。然后，使用TextIO編寫輸出：
- wordCount.apply(MapElements.into(TypeDescriptors.strings())
- .via(count -> count.getKey() + " --> " + count.getValue()))
- .apply(TextIO.write().to(outputFilePath));
現(xiàn)在管道 已經(jīng)定義好了，接下來做個簡單的測試。
5.4. 運(yùn)行測試
到目前為止，我們已為單詞計數(shù)任務(wù)定義了管道，現(xiàn)在運(yùn)行管道：
- p.run().waitUntilFinish();
在這行代碼中，Apache Beam 將把我們的任務(wù)發(fā)送到多個 DirectRunner 實(shí)例。因此，最后將生成幾個輸出文件。它們將包含以下內(nèi)容：
- ...
- apache --> 3
- beam --> 5
- rocks --> 2
- ...
在 Apache Beam 中定義和運(yùn)行分布式作業(yè)是如此地簡單。為了進(jìn)行比較，單詞計數(shù)實(shí)現(xiàn)在 Apache Spark, Apache Flink 和 Hazelcast-Jet 上也有
6. 結(jié)語
在本教程中，我們了解了 Apache Beam 是什么，以及它為什么比其他選擇更受歡迎。我們還通過一個單詞計數(shù)示例演示了 Apache Beam 的基本概念。
本文轉(zhuǎn)載自微信公眾號「鍋外的大佬」，可以通過以下二維碼關(guān)注。轉(zhuǎn)載本文請聯(lián)系鍋外的大佬公眾號。
