Apache Beam 技术文档
2024-12-23 11:52:51作者:沈韬淼Beryl
1. 安装指南
Java SDK 安装
使用 Maven 进行依赖管理:
<dependency>
<groupId>org.apache.beam</groupId>
<artifactId>beam-sdks-java-core</artifactId>
<version>{{latest_version}}</version>
</dependency>
使用 Gradle 进行依赖管理:
dependencies {
implementation 'org.apache.beam:beam-sdks-java-core:{{latest_version}}'
}
Python SDK 安装
使用 pip 进行安装:
pip install apache-beam
Go SDK 安装
使用 go get
进行安装:
go get -u github.com/apache/beam/sdks/v2/go
2. 项目的使用说明
Apache Beam 是一个用于定义批处理和流处理数据并行处理管道的统一模型,同时提供了多种语言特定的 SDK 用于构建管道,以及运行在分布式处理后端的 Runner。
创建管道
在 Java 中,创建一个简单的管道:
public class MyPipeline {
public static void main(String[] args) throws Exception {
PipelineOptions options = PipelineOptionsFactory.fromArgs(args).create();
Pipeline p = Pipeline.create(options);
PCollection<String> lines = p.apply(Read.fromText("input.txt"));
PCollection<String> words = lines.apply(Split.byPattern("\\W+"));
PCollection<Long> wordCounts = words.apply(Count.byElement());
wordCounts.apply(Write.toText("output.txt"));
p.run().waitUntilFinish();
}
}
在 Python 中,创建一个简单的管道:
import apache_beam as beam
def split_words(text):
return text.split()
def count_words(element):
return (element, 1)
with beam.Pipeline() as p:
lines = (p | 'ReadLines' >> beam.io.ReadFromText('input.txt'))
words = (lines | 'SplitWords' >> beam.Map(split_words))
word_counts = (words | 'CountWords' >> beam.CombineGlobally(count_words).without_keys())
word_counts | 'WriteCounts' >> beam.io.WriteToText('output.txt')
运行管道
使用 DirectRunner 在本地机器上运行管道:
mvn compile
java -jar target/MyPipeline-1.0-SNAPSHOT.jar --runner=DirectRunner
使用 DataflowRunner 在 Google Cloud Dataflow 上运行管道:
mvn compile
java -jar target/MyPipeline-1.0-SNAPSHOT.jar --runner=DataflowRunner
3. 项目API使用文档
Apache Beam 提供了丰富的 API 用于构建和运行管道。以下是一些常用的 API:
PCollection
PCollection
代表一个数据集合,可以是有限的或无限的。
PCollection<String> lines = p.apply(Read.fromText("input.txt"));
PTransform
PTransform
代表一个计算,用于将输入的 PCollection
转换为输出的 PCollection
。
PCollection<String> words = lines.apply(Split.byPattern("\\W+"));
Pipeline
Pipeline
管理一个有向无环图,包含 PTransform
和 PCollection
,准备执行。
Pipeline p = Pipeline.create(options);
PipelineRunner
PipelineRunner
指定管道应该在哪里以及如何执行。
p.run().waitUntilFinish();
4. 项目安装方式
请参考上述的安装指南,选择适合您项目的 SDK 语言和版本进行安装。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0370Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++098AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
203
2.18 K

React Native鸿蒙化仓库
C++
208
285

Ascend Extension for PyTorch
Python
62
94

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
977
575

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
550
84

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
399

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
393
27

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
1.2 K
133