1 什麼是Apache Beam
Apache Beam是一個開源的統一的大數據編程模型，它本身並不提供執行引擎，而是支持各種平臺如GCP Dataflow、Spark、Flink等。通過Apache Beam來定義批處理或流處理，就可以放在各種執行引擎上運行了。
目前支持的SDK語言也很豐富，有Java、Python、Go等。
1.1 一些基礎概念
-
PCollection：可理解爲數據包，數據處理就是在對各種PCollection進行轉換和處理。
-
PTransform：代表數據處理，用來定義數據是怎麼被處理的，用來處理PCollection。
-
Pipeline：流水線，是由PTransform和PCollection組成的集合，可以理解爲它定義了數據處理從源到目標的整個過程。
-
Runner：數據處理引擎。
一個最簡單的Pipeline例子如下：
從數據庫讀數據爲PCollection，經過轉化成爲另一個PCollection，然後寫回到數據庫中去。
可以有多個PTransform處理同一個PCollection：
一個PTransform也可以生成多個PCollection：
2 Java開發初體驗
我們通過使用Java SDK來開發一個WordCount感受一下。
先引入必要的依賴，版本爲2.32.0：
<dependency>
<groupId>org.apache.beam</groupId>
<artifactId>beam-sdks-java-core</artifactId>
<version>${beam.version}</version>
</dependency>
<dependency>
<groupId>org.apache.beam</groupId>
<artifactId>beam-runners-direct-java</artifactId>
<version>${beam.version}</version>
</dependency>
寫Java主程序如下：
public class WordCountDirect {
public static void main(String[] args) {
PipelineOptions options = PipelineOptionsFactory.create();
Pipeline pipeline = Pipeline.create(options);
PCollection<String> lines = pipeline.apply("read from file",
TextIO.read().from("pkslow.txt"));
PCollection<List<String>> wordList = lines.apply(MapElements.via(new SimpleFunction<String, List<String>>() {
@Override
public List<String> apply(String input) {
List<String> result = new ArrayList<>();
char[] chars = input.toCharArray();
for (char c:chars) {
result.add(String.valueOf(c));
}
return result;
}
}));
PCollection<String> words = wordList.apply(Flatten.iterables());
PCollection<KV<String, Long>> wordCount = words.apply(Count.perElement());
wordCount.apply(MapElements.via(new SimpleFunction<KV<String, Long>, String>() {
@Override
public String apply(KV<String, Long> count) {
return String.format("%s : %s", count.getKey(), count.getValue());
}
})).apply(TextIO.write().to("word-count-result"));
pipeline.run().waitUntilFinish();
}
}
直接運行，默認是通過DirectRunner來執行的，即在本地即可執行，不用搭建。非常方便開發和測試Pipeline。
整個程序大概流程是：
從pkslow.txt文件裏讀取所有行，然後將每一行拆分爲多個字符，計算每個字符出現的次數，輸出到文件中word-count-result。
pkslow.txt文件內容如下：
執行後的結果文件如下所示：
3 總結
簡單體驗了一下，基於Beam的模型開發還是很簡單，很好理解的。但它在各種平臺上的執行效率如何，就還需要深挖了。