Apache Beam 2.23.0 今日发布，更新了大数据批处理和流处理标准

简介

Apache Beam 2.23.0现已发布。Apache Beam 是 Google 在 2016 年 2 月份贡献给 Apache基金会的项目，主要目标是统一批处理和流处理的编程范式，为无限、乱序、web-scale 的数据集处理提供简单灵活，功能丰富以及表达能力十分强大的 SDK。Apache Beam项目重点在于数据处理的编程范式和接口定义，并不涉及具体执行引擎的实现，Apache Beam 希望基于 Beam 开发的数据处理程序可以执行在任意的分布式计算引擎上。

主要更新内容：

Highlights

• Twister2 Runner（BEAM-7304）。

• Python 3.8支持（BEAM-8494）。

I/Os

• 添加了对 Snowflake reading 的支持（Java）（BEAM-9722）。

• 增加了对写入 Splunk 的支持（Java）（BEAM-8596）。

• 添加了对 assume role 的支持（Java）（BEAM-10335）。

• 已添加一个新的可从 BigQuery 读取的 transform：apache_beam.io.gcp.bigquery.ReadFromBigQuery。此 transform 是实验性的。它通过将数据导出到 Avro 文件并读取这些文件来从 BigQuery 读取数据。它还支持通过导出到 JSON 文件来读取数据。与时间和日期相关的字段在行为上有很小的差异。

• 为 SnowflakeIO.write 添加 dispositions（BEAM-10343）

New Features/Improvements

更新 Snowflake JDBC 依赖关系，并将 application=beam 添加到 connection URL（BEAM-10383）。

Breaking Changes

• 在反序列化 JSON（Java）时，RowJson.RowJsonDeserializer、JsonToRow和PubsubJsonTableProvider现在默认接受“implicit nulls”。以前的 null 只能用 explicit null 值表示，例如 {"foo": "bar", "baz": null}，而像{"foo": "bar"} 这样的 implicit null 值则会引发异常。现在，两个 JSON 字符串默认都会产生相同的结果。可以使用用RowJson.RowJsonDeserializer#withNullBehavior来覆盖此行为。

• 修复 Python 中GroupIntoBatches实验转换中的一个错误，该错误实际上是按键对批次进行分组的。这将更改此转换的输出类型（BEAM-6696）。

Deprecations

• 删除 Gearpump runner。（BEAM-9999）

• 删除 Apex 运行程序。（BEAM-9999）

• RedisIO.readAll() 已被弃用，将在 2 个版本中删除，用户必须使用 RedisIO.readKeyPatterns() 作为替代（BEAM-9747）。

文章参考来源：https://beam.apache.org/blog/beam-2.23.0/