Apache beam其他学习记录

Combine与GroupByKey

GroupByKey是把相关key的元素聚合到一起，通常是形成一个Iterable的value，如：

cat, [1,5,9]
dog, [5,2]
and, [1,2,6]

Combine是对聚合后的Iterable进行处理（如求和，求均值），返回一个结果。内置的Combine.perKey（）方法其实是GroupByKey和Combine的结合，先聚合和处理。

Beam中还有许多内置的处理类，比如Sum.integersPerKey（），Count.perElement()等

在全局窗口下，对于空输入，Combine操作后一般会返回默认值（比如Sum的默认返回值为0），如果设置了.withoutDefault（），则返回空的PCollection。

在非全局窗口下，用户必须指明空输入时的返回类型，如果Combine的输出结果要作为下一级处理的输入，一般设置为.asSingletonView（），表示返回默认值，这样即使空窗口也有默认值返回，保证了窗口的数量不变；如果设置了.withoutDefault(),则空的窗口返回空PCollection，一般作为最后的输出结果。

Platten与Patition

用于PCollection与PCollectionList的转换。

官方文档给的Platten代码很容易理解：

// Flatten takes a PCollectionList of PCollection objects of a given type.
// Returns a single PCollection that contains all of the elements in the PCollection objects in that list.
PCollection<String> pc1 = ...;
PCollection<String> pc2 = ...;
PCollection<String> pc3 = ...;
PCollectionList<String> collections = PCollectionList.of(pc1).and(pc2).and(pc3);

PCollection<String> merged = collections.apply(Flatten.<String>pCollections());

将一个PCollectionList={ PCollection{String1}， PCollection{String2}， PCollection{String3} }转换为一个PCollection={String1， String2， String3}.

而Patition刚好反过来，要将PCollection转换为PCollectionList需要指明分成的list长度以及如何划分，因此需要传递划分长度size和划分方法Fn。

// Split students up into 10 partitions, by percentile:
PCollectionList<Student> studentsByPercentile =
students.apply(Partition.of(10, new PartitionFn<Student>() {
public int partitionFor(Student student, int numPartitions) {
return student.getPercentile()  // 0..99
* numPartitions / 100;
}}));

其中partitionFor（）方法返回的是在PCollectionList中的位置下标。

Side Input

不能使用硬编码数据，通常是转换中间产生的数据。一般用于跟主输入数据进行比较，因此要求Side Input数据的窗口要与主输入数据的窗口尽量一致，如果不一致，Beam会尽可能地从Side Input中找到合适的位置的数据进行比较。对于设置了多个触发器的Side Input，自动选择最后一个触发的结算结果。

附属输出数据 Additional Outputs

这一部分官方的代码已经写得很清楚，看代码即可。

数据编码

在Pipeline的数据处理过程中经常需要对数据元素进行字节转换，因此需要制定字节转换的编码格式。对于绝大部分类型的数据，Beam都提供了默认的编码类型，用户也可以通过SetCoder指定编码类型。

1）从内存读取的输入数据一般要求用户指定其编码类型；

2）用户自定义的类对象一般要求用户指定其编码类型，或者可以在类定义上使用@DefaultCoder（AvroCoder.class)指定默认编码类型。

其他：

Beam不是线程安全的，一般建议处理方法是幂等的。