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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~059CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-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。00openHiTLS
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!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









