如何在 Python 的 Apache-Beam DataFlow 中组合解析的文本文件？

Question

这在 DirectRunner 中似乎工作正常，但是当我切换到 DataflowRunner 时出错。我基本上需要以某种方式组合读入的文件，但是一旦我beam.combiners.ToList()用来连接我的数据，它就会引入一大堆问题。

代码示例：

def convert_to_dataframe(readable_file):

    yield pd.read_csv(io.TextIOWrapper(readable_file.open()))

class merge_dataframes(beam.DoFn):

    def process(self, element):

        yield pd.concat(element).reset_index(drop=True)

    with beam.Pipeline(options=pipeline_options) as p:

        (p

            | 'Match Files From GCS' >> beam.io.fileio.MatchFiles(raw_data_path)

            | 'Read Files' >> beam.io.fileio.ReadMatches()

            | 'Shuffle' >> beam.Reshuffle()

            | 'Create DataFrames' >> beam.FlatMap(convert_to_dataframe)

            | 'Combine To List' >> beam.combiners.ToList()

            | 'Merge DataFrames' >> beam.ParDo(merge_dataframes())

            | 'Apply Transformations' >> beam.ParDo(ApplyPipeline(creds_path=args.creds_path,

                                                                  project_name=args.project_name,

                                                                  feature_group_name=args.feature_group_name

                                                                  ))

            | 'Write To GCS' >> beam.io.WriteToText(feature_data_path,

                                                    file_name_suffix='.csv',

                                                    shard_name_template='')

         )

错误：

"No objects to concatenate [while running 'Merge DataFrames']" 

我不明白这个错误，因为执行“组合到列表”的部分应该生成一个数据帧列表，然后将其传递到“合并数据帧”步骤中，当我使用 DirectRunner 时确实是这种情况。

Answer 1

鉴于这个错误，我怀疑它MatchFiles实际上没有匹配任何东西（例如，由于文件模式错误），因此，输出beam.combiners.ToList是一个空列表。