PCollection

警告: Dataflow SDK 1.x for Java は 2018 年 10 月 16 日にサポート対象外になりました。移行ガイダンスについては、Cloud for Dataflow SDK 1.x for Java からの移行をご覧ください。

このページのドキュメントは Dataflow SDK 1.x for Java にのみ適用されます。

Dataflow SDK 2.x for Java と Dataflow SDK for Python は Apache Beam を基にしています。 これらの SDK のドキュメントをご覧ください。

Dataflow SDK は PCollection という特殊クラスを使用して、パイプライン内のデータを表します。PCollection は複数要素のデータセットを表します。

PCollection はパイプライン データとして考えることができます。Dataflow の変換では PCollection を入力と出力として使用します。パイプライン内のデータを処理する場合は、PCollection の形式にする必要があります。各 PCollection は、特定の Pipeline オブジェクトによって所有され、使用できるのはその Pipeline オブジェクトのみです。

重要: このドキュメントには、制限なし PCollection とウィンドウ処理の情報が含まれます。これらの概念は Dataflow Java SDK のみに該当します。Dataflow Python SDK ではまだ使用できません。

PCollection の特徴

PCollection は要素のための容器で、大容量に対応でき、変化しません。PCollection に含めることができる要素の数に上限はありません。任意の PCollection がメモリに治まるか、永続的なデータストアにバックアップされた非常に大きなデータセットを表す可能性があります。

Java

PCollection 内の複数の要素は、任意の型にできますが、すべてが同一の型でなければなりません。ただし、Dataflow は、分散処理に対応するために、個々の要素をバイト文字列としてエンコーディングする必要があります。Dataflow SDK で提供されるデータ エンコーディング メカニズムには、よく使用される型のための組み込みエンコーディングが含まれています。また、必要に応じてカスタム エンコーディングを指定できます。任意の型の対して有効なエンコーディングを作成することは困難ですが、単純な構造化型のカスタム エンコーディングを作成することは可能です。

大規模データ処理での重要なデータ型は Key-Value ペアです。Dataflow SDK はクラス KV<K, V> を使用して Key-Value ペアを表します。

Python

大規模データ処理での重要なデータ型は Key-Value ペアです。Dataflow Python SDK は 2 つのタプルを使用して Key-Value ペアを表します。

PCollection の制限事項

PCollection には、標準のコレクション クラスと異なる特徴がいくつかあります。

• PCollection は不変です。いったん作成した後で、個々の要素の追加、削除または変更を行うことはできません。
• PCollection は個々の要素へのランダムアクセスはサポートしていません。
• PCollection は、作成されたパイプラインに属します。PCollection と Pipeline オブジェクト間で共有することはできません。

PCollection は、既存のストレージ内のデータに物理的に対応することも、まだ計算されていないデータを表したりすることもできます。したがって、PCollection のデータは不変です。新しいパイプラインデータを生成する計算（新しい PCollection として）PCollection を使用できます。いったん作成された既存の PCollection の要素を変更することはできません。

PCollection そのものはデータを格納しませんが、PCollection の要素が多すぎて、Dataflow が実行しているローカルメモリに収まらない場合があるので注意してください。PCollection を作成または変換するときには、通常のコンテナクラスと同様に、データはメモリ内でコピーまたは移動されません。代わりに、PCollection はクラウド内の非常に大きなデータセットを表します。

制限付き PCollection と制限なし PCollection

PCollection のサイズを制限付きか制限なしのどちらかにできます。PCollection の作成時に、制限付き（または制限なし）が決まります。いくつかのルート変換は PCollections の境界を作成し、他のルート変換は制限なしの境界を作成します。入力データのソースに依存します。

制限付き PCollection

変化しない既知のサイズの「固定されたデータセット」を表す場合には、PCollection が制限付きになります。固定データセットの例は、「10 月のサーバーログ」や「先週処理されたすべての注文」です。TextIO と BigQueryIO ルート変換では制限付き PCollection が作成されます。

制限付き PCollection を作成するデータソースを次に示します。

Java

• TextIO
• BigQueryIO
• DatastoreIO
• Custom Source API を使用して自ら作成した制限付きカスタム データソース

Python

• TextIO
• BigQueryIO
• Custom Source API を使用して自ら作成した制限付きカスタム データソース

制限付き PCollection を受け入れるデータシンクを次に示します。

Java

• TextIO
• BigQueryIO
• DatastoreIO
• Custom Sink API を使用して自ら作成した制限付きカスタム データシンク

Python

• TextIO
• BigQueryIO
• Custom Sink API を使用して自ら作成した制限付きカスタム データシンク

制限なし PCollection

「継続的に更新されるデータセット」、つまりストリーミング データを表す場合には、PCollection が制限なしになります。更新され続けるデータセットの例は、「生成中のサーバーログ」や「処理中のすべての新規注文」です。PubsubIO ルート変換では制限なし PCollection が作成されます。

一部のソース、特に制限なし PCollection を作成するソース（PubsubIO など）は、コレクションの各要素に自動的にタイムスタンプを付加します。

制限なし PCollection を作成するデータソースを次に示します。

• PubsubIO
• Custom Source API を使用して自ら作成した制限なしカスタム データソース

制限なし PCollection を受け入れるデータシンクを次に示します。

• PubsubIO
• BigQueryIO

処理の特徴

PCollection が制限付きか制限なしかによって、Dataflow がデータを処理する方法に影響します。制限付き PCollection は、バッチジョブを使用して処理できます。データセット全体を一度で読み取り、有限ジョブで処理を実行します。制限なし PCollection は、ストリーミング ジョブを使用して処理する必要があります。コレクション全体を一度に処理することはできません。

制限なし PCollection をグループ化する場合、Dataflow では、継続的に更新されるデータセットを限定サイズの論理的なウィンドウに分割するためのウィンドウ処理と呼ばれるコンセプトが必要になります。Dataflow は各ウィンドウをバンドルとして処理し、データセットが生成される間、処理が続きます。詳しくは、タイムスタンプとウィンドウ処理について次のセクションをご覧ください。

PCollection 要素のタイムスタンプ

PCollection 内の各要素にはタイムスタンプが関連付けられます。タイムスタンプは、時間に関連する要素が含まれる PCollection で役立ちます。たとえば、処理対象の注文の PCollection は、要素のタイムスタンプとして発注時刻を使用できます。

各要素のタイムスタンプは、PCollection を作成するソースによって最初に割り当てられます。制限なし PCollection を作成するソースは、制限なし PCollection に追加された時刻に応じて、新しい要素にタイムスタンプを割り当てます。

Java

固定データセットを生成するデータソース（BigQueryIO や TextIO など）も、各要素にタイムスタンプを割り当てます。ただし、通常、これらのデータソースは同じタイムスタンプ（Long.MIN_VALUE）を各要素に割り当てます。

PCollection の要素には手動でタイムスタンプを割り当てることができます。これが一般的に行われるのは、要素に固有のタイムスタンプがあるが、そのタイムスタンプを計算する必要がある場合です。たとえば、要素の構造に基づいてタイムスタンプを解析します。タイムスタンプを手動で割り当てるには、ParDo 変換を使用します。ParDo 変換内で、DoFn はタイムスタンプ付き出力要素を生成できます。詳しくは、タイムスタンプを割り当てるをご覧ください。

Python

PCollection の要素には手動でタイムスタンプを割り当てることができます。これが一般的に行われるのは、要素に固有のタイムスタンプがあるが、そのタイムスタンプを計算する必要がある場合です。たとえば、要素の構造に基づいてタイムスタンプを解析します。タイムスタンプを手動で割り当てるには、ParDo 変換を使用します。ParDo 変換内で、DoFn はタイムスタンプ付き出力要素を生成できます。

ウィンドウ処理

PCollection の各要素に関連付けられるタイムスタンプは、ウィンドウ処理というコンセプトで使用されます。ウィンドウ処理により、PCollection 内の要素がタイムスタンプに応じて分けられます。ウィンドウ処理をすべての PCollection に対して使用できますが、制限なし PCollection に対する一部の計算処理では必須です。継続するデータ ストリームを、有限サイズのチャンクに分けて処理する必要があるためです。

注意: Dataflow のウィンドウ処理のデフォルト動作では、制限なし PCollection の場合でも、PCollection のすべての要素が 1 つのグローバル ウィンドウに割り当てられます。GroupByKey などのグループ化変換を制限なし PCollection に使用するには、その前に、非グローバルのウィンドウ処理機能を設定する必要があります。PCollection のウィンドウ処理機能を設定するをご覧ください。

制約なし PCollection に非グローバルなウィンドウ関数を設定せず、その後、GroupByKey または Combine などのグループ化変換を使用する場合、パイプラインの作成時にエラーが発生し、Dataflow ジョブが失敗します。

または、他の特定の条件下でグローバル ウィンドウに「早期」の結果を出力させるには、デフォルト以外のトリガーを PCollection に設定できます。トリガーを使用すると、後から届いたデータなどの条件に対応することもできます。

Dataflow のウィンドウ処理概念をパイプラインで使用する方法について詳しくは、ウィンドウ処理のセクションをご覧ください。

PCollection を作成する

Cloud Dataflow パイプラインでデータセットを操作するには、保存場所にかかわらず、データを表す PCollection を作成する必要があります。Dataflow SDK には、初期 PCollection を作成する 2 つの主要な方法があります:

• ファイルなど外部データソースからデータを読み取ります。
• メモリ内のコレクションクラスに格納されているデータの PCollection を作成します。

外部データを読み取る

外部データソースからデータを読み取る方法について詳しくは、パイプライン I/O をご覧ください。

ローカルメモリのデータから PCollection を作成する

ローカルメモリのデータ外に PCollection を作成し、パイプラインの変換でそのデータを使用できるようにします。通常、ローカルメモリのデータを使用するのは、比較的小さなデータセットでパイプラインをテストし、テスト中に外部 I/O に対するパイプラインの依存を減らす場合です。

Java

メモリ内 Java Collection から PCollection を作成するには、Create 変換を apply します。Create は、Dataflow SDK for Java から提供されるルート PTransform です。Create は、Collection の要素のエンコーディング方法を指定する Java Collection オブジェクトと Coder オブジェクトを受け入れます。

次のサンプルコードは、String の PCollection を作成し、Java List からのテキストの個々の行を表します。

      // Create a Java Collection, in this case a List of Strings.
      static final List<String> LINES = Arrays.asList(
          "To be, or not to be: that is the question: ",
          "Whether 'tis nobler in the mind to suffer ",
          "The slings and arrows of outrageous fortune, ",
          "Or to take arms against a sea of troubles, ");

      PipelineOptions options = PipelineOptionsFactory.create();
      Pipeline p = Pipeline.create(options);

      p.apply(Create.of(LINES)).setCoder(StringUtf8Coder.of())   // create the PCollection
    

上記のコードは Create.of を使用して、指定の要素を含む PCollection を生成します。なお、パイプラインでウィンドウ処理が使用される場合は、代わりに Create.timestamped を使用する必要があります。Create.timestamped は、指定した要素と指定したタイムスタンプを含む PCollection を生成します。

Create を使って PCollection を作成するときには、各要素を特定の Java 型としてエンコーディング（またはデコーディング）する方法を Dataflow に指示するために、コーダーを明示的に指定する必要があります。多くの場合、Dataflow は渡される要素の型から正しい Coder を推測できますが、Create を使用するときは推測機能が大幅に制限されます。Create 変換には型情報が含まれないためです。

生成される PCollection の実際のデータ型に対してコーダーを明示的に設定するのが最も簡単な方法です。上記の例では、.setCoder を使用して StringUtf8Coder の PCollection<String> を設定しています。

Coder の設定方法や、Dataflow SDK for Java でのデータ エンコーディングとデコーディングの仕組みについては、データのエンコードをご覧ください。

Python

PCollection を作成するには、Create 変換を適用します。Create は Dataflow Python SDK によって提供される標準の変換です。

    import apache_beam as beam
    from apache_beam.options.pipeline_options import PipelineOptions

    # argv = None  # if None, uses sys.argv
    pipeline_options = PipelineOptions(argv)
    with beam.Pipeline(options=pipeline_options) as pipeline:
      lines = (
          pipeline
          | beam.Create([
              'To be, or not to be: that is the question: ',
              "Whether 'tis nobler in the mind to suffer ",
              'The slings and arrows of outrageous fortune, ',
              'Or to take arms against a sea of troubles, ',
          ]))

    

カスタムデータ型の PCollection を使用する

指定するカスタムデータ型の要素を含む PCollection を作成できます。これが役立つのは、お客様の名前、住所、電話番号を保持する Java クラスなど、特定のフィールドを含む独自のクラスまたは構造のコレクションを作成する必要がある場合です。

カスタム型の PCollection を作成するときは、そのカスタム型の Coder を指定する必要があります。データセットが並列化されて複数のパイプライン ワーカー インスタンスに区分化される場合、Coder は、PCollection の要素をシリアル化または逆シリアル化する方法を Dataflow サービスに指示します。詳細については、データのエンコードをご覧ください。

Dataflow は、Coder を明示的に設定していない PCollection があれば Coder を推定しようとします。カスタム型のデフォルト Coder は、Java シリアル化を使用する SerializableCoder です。ただし、Dataflow では可能な場合には Coder として AvroCoder の使用が推奨されます。

Pipeline オブジェクトの CoderRegistry を使用すると、独自のデータ型のデフォルト コーダーとして AvroCoder を登録できます。クラスに次のようにアノテーションを指定してください。

Java

      @DefaultCoder(AvroCoder.class)
      public class MyClass {
        ...
     }
    

カスタムクラスと AvroCoder の互換性を保証するために、追加のアノテーションが必要になることがあります。たとえば、データ型の null フィールドに org.apache.avro.reflect.Nullable でアノテーションを指定する必要があります。AvroCoder と org.apache.avro.reflect のパッケージドキュメントの詳細については、API for Java リファレンス ドキュメントをご覧ください。

Dataflow の TrafficRoutes サンプル パイプラインは、StationSpeed というカスタムクラスの要素型を持つ PCollection を作成します。次に示すように、StationSpeed によって AvroCoder がデフォルト コーダーとして登録されます。

Java

      /**
       * This class holds information about a station reading's average speed.
       */
      @DefaultCoder(AvroCoder.class)
      static class StationSpeed {
        @Nullable String stationId;
        @Nullable Double avgSpeed;

        public StationSpeed() {}

        public StationSpeed(String stationId, Double avgSpeed) {
          this.stationId = stationId;
          this.avgSpeed = avgSpeed;
        }

        public String getStationId() {
          return this.stationId;
        }
        public Double getAvgSpeed() {
          return this.avgSpeed;
        }
      }