Apache Beam中的几种常见的处理类

在阅读本文前，可先看一下官方的WordCount代码， 对Apache Beam有大概的了解。

要说在Apache Beam中常见的函数是哪一个，当然是apply()。常见的写法如下：

                [Final Output PCollection] = [Initial Input PCollection].apply([First Transform])                .apply([Second Transform])                .apply([Third Transform])

而在最简单的wordcount代码中，就出现了许多种不同的传入参数类型，除了输入输出的部分，还包括

1）使用ParDo.of():

                .apply("ExtractWords-joe",                        ParDo.of(new DoFn<String, String>() {                            @ProcessElement                            public void processElement(ProcessContext context) {                                System.out.println(context.element()+"~");                                for (String word : context.element().split(" ")) {                                    if (!word.isEmpty()) {                                        //输出到Output PCollection                                        context.output(word);                                    }                                }                            }                        })                )

2）使用MapElements.via():

                .apply("FomatResults",                        MapElements.via(new SimpleFunction<KV<String, Long>,String>() {                            @Override                            public String apply(KV<String, Long> input) {                                return input.getKey()+":"+input.getValue();                            }                        }))

3）以及使用PTransform子类：

.apply(new CountWords())

  public static class CountWords extends PTransform<PCollection<String>,      PCollection<KV<String, Long>>> {    @Override    public PCollection<KV<String, Long>> expand(PCollection<String> lines) {      // Convert lines of text into individual words.      PCollection<String> words = lines.apply(          ParDo.of(new ExtractWordsFn()));      // Count the number of times each word occurs.      PCollection<KV<String, Long>> wordCounts =          words.apply(Count.<String>perElement());      return wordCounts;    }  }

这么多种传入方式到底有什么联系？通过查看源码可以看出apply函数的定义如下：

  public <OutputT extends POutput> OutputT apply(      String name, PTransform<? super PBegin, OutputT> root) {    return begin().apply(name, root);  }

传入的参数为PTransform类对象，也就是这几种传入参数其实都是PTransform类的变形。

PTransform是一个实现了Serializable接口的抽象类，其中public abstract OutputT expand(InputT input); 是数据处理方法，强制子类必须实现。

因此第(3)种方式很容易理解，就是通过继承PTransform并实现了expand方法定义了CountWords类，给apply方法传递了一个CountWords对象。

在第(2)种方式中，MapElements是PTransform的子类，实现了expand方法，其实现方式是调用@Nullable private final SimpleFunction<InputT, OutputT> fn;成员中定义的数据处理方法，MapElements.via()则是一个为初始化fn的静态方法，定义如下：

  public static <InputT, OutputT> MapElements<InputT, OutputT> via(      final SimpleFunction<InputT, OutputT> fn) {    return new MapElements<>(fn, null, fn.getClass());  }

传入了一个SimpleFunction对象，SimpleFunction是一个必须实现public OutputT apply(InputT input) 方法的抽象类，用户在该apply方法中实现数据处理。

所以这种方式的实现方式如下：

定义SimpleFunction的子类并实现其中的apply方法，将该子类的对象传递给MapElements.via()。

第(1)种方式中，ParDo.of()方法传入一个DoFn对象， 返回一个SingleOutput对象：

  public static <InputT, OutputT> SingleOutput<InputT, OutputT> of(DoFn<InputT, OutputT> fn) {    validate(fn);    return new SingleOutput<InputT, OutputT>(        fn, Collections.<PCollectionView<?>>emptyList(), displayDataForFn(fn));  }

SingleOutput与MapElements类似，也是PTransform的子类，实现了expand方法，使用private final DoFn<InputT, OutputT> fn;成员中的方法进行数据处理。

而DoFn是一个抽象类，用户必须实现其注解方法(存疑) public void processElement(ProcessContext c)。

所以这种方式的实现方式如下：

定义DoFn的子类并实现其中的processElement方法，将该子类的对象传递给ParDo.of()。

需要注意的是processElement方法与前2种方式不同，输入和输出数据都是在传入参数ProcessContext c中，而不是通过return进行传递。

以上为学习Apache Beam一天的总结，有错误欢迎指正。

Day2补充，3种方式的区别和联系：

1）MapElement.via(SimpleFunction)和PTransform

public class MapElements<InputT, OutputT>extends PTransform<PCollection<? extends InputT>, PCollection<OutputT>> 

从泛型参数来看，PTransform处理的是PCollection，而MapElement处理的是PCollection中的一个元素，对比SimpleFunction的apply方法和PTransform的expand方法的实现方式得到验证。

2）MapElement.via(SimpleFunction)和ParDo.of(DoFn)

区别之前已经说过，DoFn的processElement方法的输入和输出都是从参数传入，而SimpleFunction的apply方法从参数传入输入，从return传出输出。

相同的是这2个方法处理的都是PCollection中的一个元素。

查看MapElement的expand方法源码：

@Overridepublic PCollection<OutputT> expand(PCollection<? extends InputT> input) {  checkNotNull(fn, "Must specify a function on MapElements using .via()");  return input.apply(      "Map",      ParDo.of(          new DoFn<InputT, OutputT>() {            @ProcessElement            public void processElement(ProcessContext c) {              c.output(fn.apply(c.element()));            }//部分代码忽略          }));}

可以看出其实也是实现了DoFn的子类，在DoFn的processElement方法中调用SimpleFunction对象的apply方法进行处理。