使用 Apache Beam 进行内存处理

Question

我正在运行我自己的 GRPC 服务器，收集来自各种数据源的事件。服务器是用 Go 开发的，所有事件源都以预定义的格式将事件作为 protobuf 消息发送。我想做的是用内存中的 Apache Beam 处理所有这些事件。我查看了 Apache Beam 的文档，但找不到可以执行我想要的操作的示例。我不会使用 Kafka、Flink 或任何其他流媒体平台，只是处理内存中的消息并输出结果。有人可以告诉我开始编写简单的流处理应用程序的正确方法吗？

Answer 1

好的，首先，Apache Beam 不是一个数据处理引擎，它是一个 SDK，它允许您创建一个统一的管道并在不同的引擎上运行它，比如 Spark、Flink、Google Dataflow 等。所以，运行一个 Beam 管道您将需要利用任何支持的数据处理引擎或使用DirectRunner，它将在本地运行您的管道，但是（！）它有很多限制，并且主要是为了测试目的而开发的。

与 Beam 中的每个管道一样，必须有一个源转换（有界或无界），它将从您的数据源中读取数据。我可以猜测，在您的情况下，您的 GRPC 服务器应该重新传输收集的事件。因此，对于源转换，您可以使用已经实现的Beam IO 转换（IO 连接器）或创建自己的转换，因为 Beam 中目前没有 GrpcIO 或类似的东西。

关于内存中的处理数据，我不确定我是否完全理解您的意思。它主要取决于使用的数据处理引擎，因为最终，您的 Beam 管道将在实际运行之前转换为例如 Spark 或 Flink 管道（如果您使用SparkRunner或FlinkRunner相应地），然后数据处理引擎将管理管道工作流。大多数现代引擎尽最大努力将所有处理过的数据保存在内存中，并仅在最后的手段将其刷新到磁盘上。