今年早些时候,谷歌宣布了 Cloud Dataflow ,一个批量或实时处理海量数据的服务和 SDK。现在,他们开源了 Dataflow Java SDK ,使开发人员可以看到它的实现方式,并合理使用该 SDK 开发运行在本地或其它云上的服务。
Dataflow 是一项云服务,使用了由 FlumeJava 和 MillWheel 演变而来的技术,前者是一个用于创建数据并行管道的 Java 库,后者是一个用于构建容错流处理应用的框架,在谷歌内部有数百名开发人员在使用它们。Dataflow 是语言无关的,但谷歌提供了一个 Java SDK,使开发人员为它创建应用更简单。
管道是Dataflow 使用的一个关键概念,它由一组“读取输入数据源、转换数据、输出结果的操作”组成。数据组织在大小有限或无限的集合中,并提交给多个“转换(transformations)”,由它们执行计算,即操作输入集合、生成输出集合。“管道执行器(pipeline runner)”是管道的执行环境。该SDK 提供了三种类型的执行器:用于本地计算机的 DirectPipelineRunner ,用于谷歌云平台的 DataflowPipelineRunner ,还有同样用于谷歌云的 BlockingDataflowPipelineRunner ,但它会在执行状态中打印日志消息。
管道可以很简单,转换一个接一个地线性执行,或者也可以是一个复杂的有向图,转换路径先分支后合并。一个管道不能与另一个管道共享数据或转换。管道异步执行,而且为了优化整个处理过程的效率,数据流服务可以决定部分转换的执行顺序。
Dataflow 应用可以部署在谷歌云平台上,后者可以提供所需的所有基础设施,其中包括提供运行代码的虚拟机、数据存储或者用于数据处理的 BigQuery 机制。但开发人员也可以将这些应用部署在不同的执行环境中,既可以在本地,也可以在其它云上,只要创建了相同的服务即可。
Dataflow SDK 中包含了示例。谷歌已经创建了一个 Stack Overflow 标签来回答开发人员的问题。
查看英文原文:**** Google Open Sources Cloud Dataflow Java SDK
评论