apache beam java api_Apache Beam的基本概念

不多说，直接上干货！

Apache Beam的基本概念

在使用Apache Beam构建数据处理程序，首先需要使用Beam SDK中的类创建一个Driver程序，在Driver程序中创建一个满足我们数据处理需求的Pipeline，Pipeline中包括输入(Inputs)、转换(Transformations)、输出(Outputs)三个核心的组件。然后，根据我们选择的Beam SDK来确定底层使用Pipeline Runner(执行引擎，或计算引擎)，将我们定义好的Pipeline运行在Pipeline Runner上。

Apache Beam SDKs提供一组抽象，用来简化大规模分布式数据处理。同一个Beam抽象，能够同时适应批量处理、流处理两种数据源。

下面，我们了解一下Apache Beam的一些关键抽象：

Pipeline

一个Pipeline是对一个数据处理任务抽象，它包含了我们在对给定数据集处理的全部逻辑，主要包括从数据源读取数据(可能从多个数据源读取)、在给定的数据集上执行Transform操作(中间可能是一个DAG图，通过多个Transform连接，而Transform的输出和输出都可能是一个数据集)、将Transform的数据结果写入到指定对的存储系统中。

PCollection

一个PCollection是对分布式数据集的抽象，他可以是输入数据集、中间结果数据集、输出数据集。每一个由PCollection表征的数据集作为输入时，都会存在一个或多个Transform作用在其上(对数据集进行处理的逻辑)。

Transform

一个Transform表示数据处理过程中一个步骤(Step)，对应于Pipeline中一个操作，每一个Transform会以一个或多个PCollection作为输入，经过处理后输出一个或多个PCollection。

Source and Sink

Apache Beam提供了Source和Sink的API，用来表示读取和写入数据。Source表示从一个外部的数据源读入数据到Pipeline，而Sink表示经过Pipeline处理后将数据写入到外部存储系统。

PipelineRunner

PipelineRunner是实际用来处理Pipeline逻辑的底层组件，它能够将用户构建的Pipeline翻译成底层计算引擎能够处理的Job，并执行Pipeline的处理逻辑。