Apache Beam

Apache Beam是一个统一的模型，用于定义批处理和流式数据并行处理管道，以及一组特定语言的SDK用于构建管道和用于在分布式处理后端执行这些管道的Runner，包括Apache Flink、Apache Spark、Google Cloud Dataflow和Hazelcast Jet。

状态

概述

Beam提供了一种通用方法来表达高度并行数据处理管道，并支持三类用户，每类用户都有相对不同的背景和需求。

最终用户：使用现有SDK编写管道，在现有runner上运行。这些用户希望专注于编写应用逻辑，其他一切都能正常工作。
SDK开发者：针对特定用户群体（Java、Python、Scala、Go、R、图形界面等）开发Beam SDK。这些用户是语言专家，希望能够避开各种runner及其实现的所有细节。
Runner开发者：拥有分布式处理的执行环境，希望支持针对Beam模型编写的程序。希望能够避开多个SDK的细节。

Beam模型

Beam背后的模型源自几个Google内部数据处理项目，包括MapReduce、FlumeJava和Millwheel。这个模型最初被称为"数据流模型"。要了解更多关于Beam模型的信息（尽管仍在原始名称Dataflow下），请参阅O'Reilly's Radar网站上的《批处理之外的世界：流处理101》和《流处理102》文章，以及VLDB 2015论文。

Beam编程模型的关键概念包括：

PCollection：表示数据集合，可以是有界或无界大小。
PTransform：表示将输入PCollection转换为输出PCollection的计算。
Pipeline：管理由PTransform和PCollection组成的有向无环图，可供执行。
PipelineRunner：指定管道应在何处以及如何执行。

SDK

Beam支持多种语言特定的SDK，用于针对Beam模型编写管道。

目前，该仓库包含Java、Python和Go的SDK。

对新的SDK或DSL有想法？请查看sdk-ideas标签。

运行器

Beam通过PipelineRunners支持在多个分布式处理后端上执行程序。目前，可用的PipelineRunners包括：

DirectRunner在本地机器上运行管道。
DataflowRunner将管道提交到Google Cloud Dataflow。
FlinkRunner在Apache Flink集群上运行管道。该代码已从dataArtisans/flink-dataflow捐赠，现在是Beam的一部分。
SparkRunner在Apache Spark集群上运行管道。
JetRunner在Hazelcast Jet集群上运行管道。该代码已从hazelcast/hazelcast-jet捐赠，现在是Beam的一部分。
Twister2Runner在Twister2集群上运行管道。该代码已从DSC-SPIDAL/twister2捐赠，现在是Beam的一部分。

对新的运行器有想法？请查看runner-ideas标签。

构建和测试Beam本身的说明在贡献指南中。

📚 了解更多

以下是Beam社区积极维护的一些资源，可帮助您入门：

资源	详情
Apache Beam网站	我们讨论项目及其细节的网站。
Java快速入门	Java SDK入门指南。
Python快速入门	Python SDK入门指南。
Go快速入门	Go SDK入门指南。
Beam之旅	全面、互动的学习体验，深入介绍Beam概念。
Beam Quest	由Google Cloud授予的认证，证明在Beam方面的熟练程度。
社区指标	Beam的Git社区指标。