问题描述
我目前有一个 DoFn
可以查看存储桶并查看该存储桶和目录前缀中的所有文件。这个 DoFn
返回一个列表而不是一个 PCollection
。我如何将此列表转换为 PCollection
DoFn
可以使用的 ConvertFileNames
?
# List all the files within a subdir
class ListBlobs(beam.DoFn):
def start_bundle(self):
self.storage_client = storage.Client()
def process(self,prefix):
bucket = self.storage_client.bucket('xxx')
return list(self.bucket.list_blobs(prefix=prefix))
# Convert Blobs into filenames as patterns
class ConvertFileNames(beam.DoFn):
def process(self,blob):
return 'gs://' + blob.bucket.name + blob.name
解决方法
如 beam documentation 中所述,Beam DoFn 的处理方法返回可迭代的元素以放置到下游 PCollection 中。所以,在你的例子中,如果我有一个前缀的 PCollection,称之为 prefix_pcoll
,那么我可以写
blobs_pcoll = prefix_pcoll | beam.ParDo(ListBlobs())
和 blobs_pcoll
将包含具有此前缀的 blob 列表(即 list(self.bucket.list_blobs(prefix=prefix))
在所有前缀上的连接)。然后你可以写
converted = blobs_pcoll | beam.ParDo(ConvertFileNames())
你也可以写
converted = blobs_pcoll | beam.Map(
lambda blob: 'gs://' + blob.bucket.name + blob.name)
您可能还想查看apache_beam.io.fileio.MatchAll。