首页
/ Apache Beam 2.64.0 版本发布:流批一体数据处理框架的重大更新

Apache Beam 2.64.0 版本发布:流批一体数据处理框架的重大更新

2025-06-08 20:00:14作者:邵娇湘

Apache Beam 是一个开源的统一编程模型,用于批处理和流式数据处理任务。它提供了一个简单的API,可以运行在多种执行引擎上,包括Apache Flink、Apache Spark和Google Cloud Dataflow等。Beam 的核心优势在于"一次编写,随处运行"的理念,开发者可以用同一套代码处理批量和实时数据流。

版本亮点

最新发布的2.64.0版本带来了多项重要改进和新功能,其中最值得关注的是Managed API对关键I/O连接器的支持。Managed API为Java和Python提供了更高级别的抽象,简化了与Iceberg、Kafka和BigQuery等数据源的交互方式。

核心功能更新

1. Managed API扩展支持

Managed API现在全面支持Iceberg、Kafka和BigQuery这三个关键数据连接器。这一改进使得开发者能够以更声明式的方式配置数据源和数据接收器,减少了样板代码的编写。

对于Java开发者,可以通过org.apache.beam.sdk.managed.Managed类访问这些功能;Python开发者则可以使用apache_beam.transforms.managed模块。

2. Iceberg连接器增强

新版本为Iceberg添加了CDC(变更数据捕获)源支持,可用于批处理和流式处理场景。这一功能通过Managed.ICEBERG_CDC即可使用,大大简化了变更数据捕获的实现。

同时修复了一个边缘情况下的数据重复问题,该问题发生在数据提交成功后重试bundle时。

3. Python改进

Python SDK现在支持Reshuffle操作中使用自定义编码器,解决了之前只能使用FastPrimitivesCoder的限制。需要注意的是,这一改进可能会影响那些之前依赖错误类型提示的现有管道。

4. Prism引擎进展

Prism执行引擎现在支持大多数常见场景下的事件时间触发器,这是向完全功能支持迈出的重要一步。不过需要注意的是,Prism目前还不支持触发式侧输入和合并窗口(如会话窗口)上的触发器。

性能优化与问题修复

  1. 修复了Python 3.11用户可能遇到的管道卡死问题
  2. 改进了BigQuery Storage API对TIME字段的编码处理
  3. 解决了JdbcIO中可能导致连接获取挂起的竞态条件
  4. 修复了Spark Classic和Portable runner中Flatten转换的检查点恢复和流式行为
  5. 优化了Java中UnboundedReader对象的读取缓存,有效避免了跨多个DoFn的重复创建

兼容性说明

  1. Python的Reshuffle现在会正确遵循用户指定的类型提示,这可能会破坏之前依赖错误行为的管道
  2. Java的SparkReceiver已升级到支持Spark 3.x的版本
  3. Python现在能正确解析collections.abc.Sequence类型提示,可能导致之前错误通过的管道现在会失败类型检查

总结

Apache Beam 2.64.0版本在易用性、稳定性和功能完整性方面都有显著提升。特别是Managed API的扩展支持,使得与常用数据系统的集成更加简单直观。对于需要处理大规模批量和流式数据的团队来说,这一版本值得考虑升级。

开发者在升级时需要注意上述提到的兼容性变化,特别是Python中关于类型提示的修正可能影响现有管道的行为。建议在测试环境中充分验证后再进行生产部署。

登录后查看全文
热门项目推荐
相关项目推荐