Halaman ini diterjemahkan oleh Cloud Translation API.

Model pemrograman untuk Apache Beam

Dataflow didasarkan pada project Apache Beam open source. Dokumen ini menjelaskan model pemrograman Apache Beam.

Ringkasan

Apache Beam adalah model open source terpadu untuk menentukan pipeline batch dan streaming. Model pemrograman Apache Beam menyederhanakan mekanika pemrosesan data berskala besar. Dengan menggunakan salah satu Apache Beam SDK, Anda akan mem-build program yang menentukan pipeline. Kemudian, Anda menjalankan pipeline di platform tertentu seperti Dataflow. Model ini memungkinkan Anda berkonsentrasi pada komposisi logis tugas pemrosesan data, bukan mengelola orkestrasi pemrosesan paralel.

Apache Beam melindungi Anda dari detail tingkat rendah pemrosesan terdistribusi, seperti mengoordinasikan setiap pekerja, melakukan sharding set data, dan tugas lainnya. Dataflow sepenuhnya mengelola detail tingkat rendah ini.

Pipeline adalah grafik transformasi yang diterapkan ke kumpulan data. Di Apache Beam, koleksi disebut PCollection, dan transformasi disebut PTransform. PCollection dapat dibatasi atau tidak dibatasi. PCollection terbatas memiliki ukuran tetap yang diketahui, dan dapat diproses menggunakan pipeline batch. PCollections yang tidak terbatas harus menggunakan pipeline streaming, karena data diproses saat tiba.

Apache Beam menyediakan konektor untuk membaca dari dan menulis ke berbagai sistem, termasuk layanan Google Cloud dan teknologi pihak ketiga seperti Apache Kafka.

Diagram berikut menunjukkan pipeline Apache Beam.

Diagram pipeline Apache Beam

Anda dapat menulis PTransforms yang menjalankan logika arbitrer. Apache Beam SDK juga menyediakan library PTransforms yang berguna secara langsung, termasuk hal berikut:

Memfilter semua elemen yang tidak memenuhi predikat.
Terapkan fungsi pemetaan 1 banding 1 ke setiap elemen.
Mengelompokkan elemen menurut kunci.
Menghitung elemen dalam koleksi
Menghitung elemen yang terkait dengan setiap kunci dalam koleksi nilai kunci.

Untuk menjalankan pipeline Apache Beam menggunakan Dataflow, lakukan langkah-langkah berikut:

Gunakan Apache Beam SDK untuk menentukan dan mem-build pipeline. Atau, Anda dapat men-deploy pipeline bawaan menggunakan template Dataflow.
Gunakan Dataflow untuk menjalankan pipeline. Dataflow mengaloksir kumpulan VM untuk menjalankan tugas, men-deploy kode ke VM, dan mengatur tugas yang berjalan.
Dataflow melakukan pengoptimalan di backend untuk membuat pipeline Anda berjalan secara efisien dan memanfaatkan paralelisasi.
Saat tugas berjalan dan setelah selesai, gunakan kemampuan manajemen Dataflow untuk memantau progres dan memecahkan masalah.

Konsep Apache Beam

Bagian ini berisi ringkasan konsep dasar.

Konsep dasar

Pipeline: Pipeline mengenkapsulasi seluruh rangkaian komputasi yang terlibat dalam membaca data input, mengubah data tersebut, dan menulis data output. Sumber input dan sink output dapat berupa jenis yang sama atau jenis yang berbeda, sehingga Anda dapat mengonversi data dari satu format ke format lainnya. Program Apache Beam dimulai dengan membuat objek Pipeline, lalu menggunakan objek tersebut sebagai dasar untuk membuat set data pipeline. Setiap pipeline mewakili satu tugas berulang.
PCollection: PCollection mewakili set data multi-elemen yang berpotensi terdistribusi yang bertindak sebagai data pipeline. Transformasi Apache Beam menggunakan objek PCollection sebagai input dan output untuk setiap langkah dalam pipeline Anda. PCollection dapat menyimpan set data dengan ukuran tetap atau set data tanpa batas dari sumber data yang terus diperbarui.
Transformasi: Transformasi mewakili operasi pemrosesan yang mengubah data. Transformasi mengambil satu atau beberapa PCollection sebagai input, melakukan operasi yang Anda tentukan pada setiap elemen dalam koleksi tersebut, dan menghasilkan satu atau beberapa PCollection sebagai output. Transformasi dapat melakukan hampir semua jenis operasi pemrosesan, termasuk melakukan komputasi matematika pada data, mengonversi data dari satu format ke format lain, mengelompokkan data, membaca dan menulis data, memfilter data untuk hanya menampilkan elemen yang Anda inginkan, atau menggabungkan elemen data menjadi satu nilai.
ParDo: ParDo adalah operasi pemrosesan paralel inti di Apache Beam SDK, yang memanggil fungsi yang ditentukan pengguna pada setiap elemen input PCollection. ParDo mengumpulkan nol atau beberapa elemen output ke dalam PCollection output. Transformasi ParDo memproses elemen secara independen dan mungkin secara paralel.
I/O Pipeline: Konektor I/O Apache Beam memungkinkan Anda membaca data ke dalam pipeline dan menulis data output dari pipeline. Konektor I/O terdiri dari sumber dan sink. Semua sumber dan sink Apache Beam adalah transformasi yang memungkinkan pipeline Anda berfungsi dengan data dari beberapa format penyimpanan data yang berbeda. Anda juga dapat menulis konektor I/O kustom.
Agregasi: Agregasi adalah proses penghitungan beberapa nilai dari beberapa elemen input. Pola komputasi utama untuk agregasi di Apache Beam adalah mengelompokkan semua elemen dengan kunci dan jendela yang sama. Kemudian, metode ini menggabungkan setiap grup elemen menggunakan operasi asosiatif dan komutatif.
Fungsi yang ditentukan pengguna (UDF): Beberapa operasi dalam Apache Beam memungkinkan eksekusi kode yang ditentukan pengguna sebagai cara mengonfigurasi transformasi. Untuk ParDo, kode yang ditentukan pengguna menentukan operasi yang akan diterapkan ke setiap elemen, dan untuk Combine, kode ini menentukan cara nilai harus digabungkan. Pipeline mungkin berisi UDF yang ditulis dalam bahasa yang berbeda dengan bahasa runner Anda. Pipeline juga dapat berisi UDF yang ditulis dalam beberapa bahasa.
Pelari: Runner adalah software yang menerima pipeline dan menjalankannya. Sebagian besar runner adalah penerjemah atau adaptor ke sistem pemrosesan big data yang sangat paralel. Runner lain ada untuk pengujian dan proses debug lokal.
Sumber: Transformasi yang membaca dari sistem penyimpanan eksternal. Pipeline biasanya membaca data input dari sumber. Sumber memiliki jenis, yang mungkin berbeda dengan jenis sink, sehingga Anda dapat mengubah format data saat data bergerak melalui pipeline.
Sink: Transformasi yang menulis ke sistem penyimpanan data eksternal, seperti file atau database.
TextIO: PTransform untuk membaca dan menulis file teks. Sumber dan sink TextIO mendukung file yang dikompresi dengan gzip dan bzip2. Sumber input TextIO mendukung JSON. Namun, agar layanan Dataflow dapat memparalelkan input dan output, data sumber Anda harus dipisahkan dengan feed baris. Anda dapat menggunakan ekspresi reguler untuk menargetkan file tertentu dengan sumber TextIO. Dataflow mendukung pola karakter pengganti umum. Ekspresi glob Anda dapat muncul di mana saja di jalur. Namun, Dataflow tidak mendukung karakter pengganti rekursif (**).

Konsep lanjutan

Waktu peristiwa: Waktu terjadinya peristiwa data, yang ditentukan oleh stempel waktu pada elemen data itu sendiri. Hal ini berbeda dengan waktu elemen data sebenarnya diproses pada tahap apa pun dalam pipeline.
Windowing: Pembagian waktu memungkinkan operasi pengelompokan pada koleksi yang tidak terbatas dengan membagi koleksi menjadi jendela koleksi terbatas sesuai dengan stempel waktu setiap elemen. Fungsi jendela memberi tahu runner cara menetapkan elemen ke jendela awal, dan cara menggabungkan jendela elemen yang dikelompokkan. Apache Beam memungkinkan Anda menentukan berbagai jenis jendela atau menggunakan fungsi jendela yang telah ditentukan sebelumnya.
Watermark: Apache Beam melacak watermark, yang merupakan konsep sistem tentang kapan semua data dalam periode tertentu diperkirakan telah tiba di pipeline. Apache Beam melacak watermark karena data tidak dijamin akan tiba di pipeline dalam urutan waktu atau pada interval yang dapat diprediksi. Selain itu, tidak ada jaminan bahwa peristiwa data akan muncul di pipeline dalam urutan yang sama dengan urutan pembuatannya.
Pemicu: Pemicu menentukan kapan harus menampilkan hasil gabungan saat data tiba. Untuk data terbatas, hasil akan ditampilkan setelah semua input diproses. Untuk data yang tidak terbatas, hasil akan ditampilkan saat watermark melewati akhir jendela, yang menunjukkan bahwa sistem yakin semua data input untuk jendela tersebut telah diproses. Apache Beam menyediakan beberapa pemicu standar dan memungkinkan Anda menggabungkannya.

Langkah selanjutnya

Untuk mempelajari lebih lanjut konsep dasar pembuatan pipeline menggunakan Apache Beam SDK, lihat Panduan Pemrograman Apache Beam dalam dokumentasi Apache Beam.
Untuk mengetahui detail selengkapnya tentang kemampuan Apache Beam yang didukung oleh Dataflow, lihat matriks kemampuan Apache Beam.

Apache Beam® adalah merek dagang terdaftar dari Apache Software Foundation atau afiliasinya di Amerika Serikat dan/atau negara lainnya.