Apache Beam学习笔记——几种常见的处理类Transform

在阅读本文前，可先看一下官方的WordCount代码， 对Apache Beam有大概的了解。

要说在Apache Beam中常见的函数是哪一个，当然是apply()。常见的写法如下：

[Final Output PCollection] = [Initial Input PCollection].apply([First Transform])
.apply([Second Transform])
.apply([Third Transform])

而在最简单的wordcount代码中，就出现了许多种不同的传入参数类型，除了输入输出的部分，还包括
1）使用ParDo.of():

.apply("ExtractWords-joe",
        ParDo.of(new DoFn<String, String>() {
            @ProcessElement
            public void processElement(ProcessContext context) {
                System.out.println(context.element()+"~");
                for (String word : context.element().split(" ")) {
                    if (!word.isEmpty()) {
                        //输出到Output PCollection
                        context.output(word);
                    }
                }
            }
        })
)

2）使用MapElements.via():

.apply("FomatResults",
        MapElements.via(new SimpleFunction<KV<String, Long>,String>() {
            @Override
            public String apply(KV<String, Long> input) {
                return input.getKey()+":"+input.getValue();
            }
        }))

3）以及使用PTransform子类：

.apply(new CountWords())
  public static class CountWords extends PTransform<PCollection<String>,
      PCollection<KV<String, Long>>> {
    @Override
    public PCollection<KV<String, Long>> expand(PCollection<String> lines) {

      // Convert lines of text into individual words.
      PCollection<String> words = lines.apply(
          ParDo.of(new ExtractWordsFn()));

      // Count the number of times each word occurs.
      PCollection<KV<String, Long>> wordCounts =
          words.apply(Count.<String>perElement());

      return wordCounts;
    }
  }

这么多种传入方式到底有什么联系？通过查看源码可以看出apply函数的定义如下：

public <OutputT extends POutput> OutputT apply(
      String name, PTransform<? super PBegin, OutputT> root) {
    return begin().apply(name, root);
  }

传入的参数为PTransform类对象，也就是这几种传入参数其实都是PTransform类的变形。
PTransform是一个实现了Serializable接口的抽象类，其中public abstract OutputT expand(InputT input); 是数据处理方法，强制子类必须实现。
因此第(3)种方式很容易理解，就是通过继承PTransform并实现了expand方法定义了CountWords类，给apply方法传递了一个CountWords对象。

在第(2)种方式中，MapElements是PTransform的子类，实现了expand方法，其实现方式是调用@Nullable private final SimpleFunction<InputT, OutputT> fn;成员中定义的数据处理方法，MapElements.via()则是一个为初始化fn的静态方法，定义如下：

public static <InputT, OutputT> MapElements<InputT, OutputT> via(
      final SimpleFunction<InputT, OutputT> fn) {
    return new MapElements<>(fn, null, fn.getClass());
  }

传入了一个SimpleFunction对象，SimpleFunction是一个必须实现public OutputT apply(InputT input) 方法的抽象类，用户在该apply方法中实现数据处理。
所以这种方式的实现方式如下：
定义SimpleFunction的子类并实现其中的apply方法，将该子类的对象传递给MapElements.via()。

第(1)种方式中，ParDo.of()方法传入一个DoFn对象， 返回一个SingleOutput对象：

public static <InputT, OutputT> SingleOutput<InputT, OutputT> of(DoFn<InputT, OutputT> fn) {
    validate(fn);
    return new SingleOutput<InputT, OutputT>(
        fn, Collections.<PCollectionView<?>>emptyList(), displayDataForFn(fn));
  }

SingleOutput与MapElements类似，也是PTransform的子类，实现了expand方法，使用private final DoFn<InputT, OutputT> fn;成员中的方法进行数据处理。
而DoFn是一个抽象类，用户必须实现其注解方法(存疑) public void processElement(ProcessContext c)。
所以这种方式的实现方式如下：
定义DoFn的子类并实现其中的processElement方法，将该子类的对象传递给ParDo.of()。
需要注意的是processElement方法与前2种方式不同，输入和输出数据都是在传入参数ProcessContext c中，而不是通过return进行传递。

以上为学习Apache Beam一天的总结，有错误欢迎指正。

**

Day2补充，3种方式的区别和联系：

**
1）MapElement.via(SimpleFunction)和PTransform
MapElements是PTransform的一个子类：
public class MapElements<InputT, OutputT>
extends PTransform<PCollection<? extends InputT>, PCollection<OutputT>>
从泛型参数来看，PTransform处理的是PCollection，而MapElement处理的是PCollection中的一个元素，对比SimpleFunction的apply方法和PTransform的expand方法的实现方式得到验证。

2）MapElement.via(SimpleFunction)和ParDo.of(DoFn)
区别之前已经说过，DoFn的processElement方法的输入和输出都是从参数传入，而SimpleFunction的apply方法从参数传入输入，从return传出输出。
相同的是这2个方法处理的都是PCollection中的一个元素。
查看MapElement的expand方法源码：

@Override
public PCollection<OutputT> expand(PCollection<? extends InputT> input) {
  checkNotNull(fn, "Must specify a function on MapElements using .via()");
  return input.apply(
      "Map",
      ParDo.of(
          new DoFn<InputT, OutputT>() {
            @ProcessElement
            public void processElement(ProcessContext c) {
              c.output(fn.apply(c.element()));
            }
    //部分代码忽略
          }));
}

可以看出其实也是实现了DoFn的子类，在DoFn的processElement方法中调用SimpleFunction对象的apply方法进行处理。