Apache Beam 2.65.0 版本发布：流处理框架的重要更新

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。它提供了一个高级抽象层，允许开发者编写数据处理管道，然后可以在各种执行引擎（如Apache Flink、Apache Spark、Google Cloud Dataflow等）上运行。Beam 的设计理念是"一次编写，随处运行"，极大地简化了大数据处理任务的开发和部署。

核心功能更新

输入输出(I/O)系统增强

在2.65.0版本中，Java版的GoogleAdsIO组件升级到了v19 API版本。值得注意的是，该版本对PTransform方法进行了重要改进，从原先的版本指定方法（如v17()）改为current()方法，这一变更将显著提升未来版本的向后兼容性。

对于Pubsub用户，新版本增加了对有序键(ordering keys)写入的支持。这一特性对于需要保证消息顺序的场景尤为重要，例如金融交易处理或事件溯源系统。

重要新特性与改进

Spark Classic运行器现在支持流式侧输入(streaming side-inputs)，这一改进解决了长期存在的功能限制（#18136）。侧输入是Beam中一个强大的概念，它允许主数据流在处理过程中访问额外的参考数据，而无需将其合并到主数据流中。

兼容性变更说明

Python用户需要注意几个重要的行为变更：

1. 默认的pickle库从dill改为cloudpickle。这一变更可能影响某些依赖特定pickle行为的代码。开发者应测试现有管道在新环境下的表现。

2. Reshuffle操作现在会保留PaneInfo信息。PaneInfo包含了窗口化数据处理中的重要元数据，如触发次数和时序信息。如果这一变更影响了现有管道，可以通过设置update_compatibility_version为"2.64.0"来恢复旧行为。

3. PaneInfo现在使用专门的PaneInfoCoder进行编码，而不是之前的FastPrimitivesCoder或PickleCoder。这一变更主要影响直接存储PaneInfo作为元素的场景。

4. BigQuery文件加载操作现在会在触发加载作业前增加一个Reshuffle步骤。这修复了在流式管道中自动扩展时可能出现的数据丢失问题。同样，可以通过设置兼容性版本来维持旧行为。

YAML用户需要注意，Kafka源和接收器现在会自动替换为兼容的托管转换。对于需要保持旧行为的场景，可以通过设置update_compatibility_version管道选项来实现。

安全修复与弃用说明

本次版本修复了一个重要的安全问题（CVE-2025-30065），建议所有用户尽快升级。

值得注意的是，Beam ZetaSQL已被标记为弃用状态，并计划在2.68.0版本中移除。建议用户迁移到Calcite SQL方言，后者提供了更完整和标准化的SQL支持。

性能优化与错误修复

本次发布包含多个重要的错误修复：

1. 修复了跨语言转换（如ReadFromJdbc）中读取包含负32位整数的Beam行时解码错误的问题。

2. 修正了Java版SDF-based KafkaIO（ReadFromKafkaViaSDF）处理自定义反序列化器的问题，特别是那些扩展了Deserializer接口的反序列化器。

3. Python版改进了TypedDict类型提示与Mapping和Dict类型注解的兼容性。

总结与升级建议

Apache Beam 2.65.0版本带来了多项重要改进，特别是在I/O系统、流处理能力和Python生态方面。对于生产环境用户，建议：

1. 在测试环境中充分验证新版本，特别是涉及兼容性变更的功能。

2. 注意Python环境中pickle库的变更可能带来的影响。

3. 计划从ZetaSQL迁移到Calcite SQL的工作。

4. 对于安全敏感的应用，应优先考虑升级以修复CVE-2025-30065问题。

Apache Beam社区持续推动着大数据处理技术的进步，2.65.0版本的发布再次证明了其在统一批流处理领域的领导地位。