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 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。