首页
/ Apache Beam 2.63.0 版本发布:流批一体数据处理框架的重大更新

Apache Beam 2.63.0 版本发布:流批一体数据处理框架的重大更新

2025-06-08 23:42:18作者:范垣楠Rhoda

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。它提供了一个简单而强大的API,允许开发者编写可以在各种执行引擎(如Apache Flink、Apache Spark、Google Cloud Dataflow等)上运行的数据处理管道。Beam 的核心优势在于其"一次编写,随处运行"的理念,使得数据处理逻辑可以跨平台执行。

版本亮点

Apache Beam 2.63.0 版本带来了多项重要更新和改进,涵盖了I/O连接器、新功能、性能优化和错误修复等方面。这个版本特别强调了跨语言支持、云存储集成和实时处理能力的增强。

核心改进

存储与I/O增强

在存储和I/O方面,2.63.0版本有几个显著改进:

  • GCS连接器升级:支持了gcs-connector 3.x+版本,增强了与Google Cloud Storage的集成能力。同时增加了对GCS路径的递归删除支持,并改进了批处理方法的重试逻辑。

  • BigQuery优化:新增了--groupFilesFileLoad管道选项,解决了在某些运行器(包括Dataflow Runner V2)上使用BigQueryIO批处理FILE_LOAD时的side-input相关问题。同时修复了Storage Write API有时无法自动更新模式的问题。

  • 文本处理修复:解决了Python版TextIO在读取gzip压缩文件时可能出现的数据丢失问题,这个长期存在的问题终于得到了解决。

机器学习与向量处理

2.63.0版本在机器学习支持方面迈出了重要一步:

  • 新增了BigQuery向量/嵌入(embedding)的摄取和丰富组件到apache_beam.ml.rag模块中。这使得Beam能够更好地支持现代机器学习工作流,特别是检索增强生成(RAG)应用场景。

运行时与执行环境

在运行时和执行环境方面,这个版本带来了多项改进:

  • Go SDK增强:Go SDK容器现在支持基于进程的外部工作池,用于支持某些运行器的sidecar容器运行SDK工作器。同时支持了进程执行环境,并提高了最低Go版本要求到1.22.10。

  • Prism运行器:作为Beam的参考实现,Prism运行器在这个版本中获得了多项重要更新:

    • 简化了端口使用,现在使用单一端口进行管道提交和工作执行
    • 增加了对@RequiresTimeSortedInputs的支持
    • 初步实现了AllowedLateness功能
    • 改进了会话窗口聚合,确保按键执行
    • 支持非回环模式环境类型和进程执行环境
    • 新增AnyOf环境支持,改进了跨语言管道开发体验
  • DaskRunner优化:Python SDK中的DaskRunner现在支持可配置的分区,提供了更大的灵活性。

性能优化

2.63.0版本包含了几项重要的性能优化:

  • 在Dataflow流式处理中,默认启用了Windmill GetWork响应批处理,允许后端在单个响应proto中发送多个工作项,提高了通信效率。

  • 修复了Dataflow流式工作器将谱系(lineage)指标报告为累积值而非增量值的问题,确保了指标准确性。

技术升级与兼容性

这个版本进行了几项重要的技术升级:

  • Protobuf升级:Java部分升级到了protobuf 4,这是一个重大变化。不过由于Debezium客户端不兼容protobuf 4,Debezium IO被迫继续使用protobuf 3,这可能导致某些仅兼容protobuf 4的客户端出现冲突。

  • AWS V1 I/O移除:Java中的AWS V1 I/O已被移除,Python Kinesis I/O也相应更新为使用V2 IO,同时不再支持设置producer_properties。

错误修复

除了上述改进外,2.63.0版本还修复了多个重要问题:

  • 解决了Dataflow流式设备在键输出超过180MB结果时提交失败的问题(KeyCommitTooLargeException)
  • 修复了Dataflow模板创建时忽略模板文件创建错误的问题
  • 更正了可移植性协议中的Pane编码文档
  • 更新了用户邮件列表地址

总结

Apache Beam 2.63.0版本在数据处理能力、云集成、机器学习支持和运行时性能等方面都带来了显著改进。特别是对向量处理的支持、GCS集成的增强以及Prism运行器的完善,使得Beam在现代数据处理场景中更具竞争力。虽然包含了一些破坏性变更,但这些变化为框架的长期发展奠定了基础。对于现有用户,建议仔细评估兼容性影响后再进行升级;对于新用户,这个版本提供了更强大、更稳定的功能集来构建数据处理应用。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
52
461
kernelkernel
deepin linux kernel
C
22
5
openHiTLSopenHiTLS
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
349
381
nop-entropynop-entropy
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
7
0
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
185
RuoYi-Vue3RuoYi-Vue3
🎉 (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
873
517
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
336
1.09 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
264
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
608
59
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4