Ich habe eine Dataflow-Pipeline (SDK 2.1.0, Apache Beam 2.2.0), die einfach RDF liest (in N-Triples, also sind es nur Textdateien) von GCS, transformiert es irgendwie und schreibt es zurück zu GCS, aber in einem anderen Eimer. In dieser Pipeline verwende ich Seiteneingaben, die drei einzelne Dateien sind (eine Datei pro Seiteneingabe) und sie in einem ParDo verwenden.SideInputs korrumpieren die Daten in DataFlows Pipeline
Um mit RDF in Java zu arbeiten, verwende ich Apache Jena, also wird jede Datei in eine Instanz der Model-Klasse eingelesen. Da Dataflow keinen Coder dafür hat, habe ich es selbst entwickelt (RDFModelCoder
, siehe unten). Es funktioniert gut in Anzahl der anderen Pipelines, die ich erstellt habe.
Das Problem mit dieser bestimmten Pipeline ist, wenn ich die Seiteneingaben hinzufügen, schlägt die Ausführung mit einer Ausnahme, die eine Beschädigung der Daten anzeigt, d. H. Einige Müll hinzugefügt. Sobald ich die Seiteneingaben entfernt habe, beendet die Pipeline die Ausführung erfolgreich.
Die Ausnahme (aus RDFModelCoder
geworfen wird, siehe unten):
Caused by: org.apache.jena.atlas.RuntimeIOException: java.nio.charset.MalformedInputException: Input length = 1
at org.apache.jena.atlas.io.IO.exception(IO.java:233)
at org.apache.jena.atlas.io.CharStreamBuffered$SourceReader.fill(CharStreamBuffered.java:77)
at org.apache.jena.atlas.io.CharStreamBuffered.fillArray(CharStreamBuffered.java:154)
at org.apache.jena.atlas.io.CharStreamBuffered.advance(CharStreamBuffered.java:137)
at org.apache.jena.atlas.io.PeekReader.advanceAndSet(PeekReader.java:235)
at org.apache.jena.atlas.io.PeekReader.init(PeekReader.java:229)
at org.apache.jena.atlas.io.PeekReader.peekChar(PeekReader.java:151)
at org.apache.jena.atlas.io.PeekReader.makeUTF8(PeekReader.java:92)
at org.apache.jena.riot.tokens.TokenizerFactory.makeTokenizerUTF8(TokenizerFactory.java:48)
at org.apache.jena.riot.lang.RiotParsers.createParser(RiotParsers.java:57)
at org.apache.jena.riot.RDFParserRegistry$ReaderRIOTLang.read(RDFParserRegistry.java:198)
at org.apache.jena.riot.RDFParser.read(RDFParser.java:298)
at org.apache.jena.riot.RDFParser.parseNotUri(RDFParser.java:288)
at org.apache.jena.riot.RDFParser.parse(RDFParser.java:237)
at org.apache.jena.riot.RDFParserBuilder.parse(RDFParserBuilder.java:417)
at org.apache.jena.riot.RDFDataMgr.parseFromInputStream(RDFDataMgr.java:870)
at org.apache.jena.riot.RDFDataMgr.read(RDFDataMgr.java:268)
at org.apache.jena.riot.RDFDataMgr.read(RDFDataMgr.java:254)
at org.apache.jena.riot.adapters.RDFReaderRIOT.read(RDFReaderRIOT.java:69)
at org.apache.jena.rdf.model.impl.ModelCom.read(ModelCom.java:305)
Und hier kann man den Müll (am Ende) sehen:
<http://example.com/typeofrepresentative/08> <http://www.w3.org/1999/02/22-rdf-syntax-ns#type> <http://www.w3.org/2002/07/owl#NamedIndividual> . ������** �����I��.�������������u�������
Die Pipeline:
val one = p.apply(TextIO.read().from(config.getString("source.one")))
.apply(Combine.globally(SingleValue()))
.apply(ParDo.of(ConvertToRDFModel(RDFLanguages.NTRIPLES)))
val two = p.apply(TextIO.read().from(config.getString("source.two")))
.apply(Combine.globally(SingleValue()))
.apply(ParDo.of(ConvertToRDFModel(RDFLanguages.NTRIPLES)))
val three = p.apply(TextIO.read().from(config.getString("source.three")))
.apply(Combine.globally(SingleValue()))
.apply(ParDo.of(ConvertToRDFModel(RDFLanguages.NTRIPLES)))
val sideInput = PCollectionList.of(one).and(two).and(three)
.apply(Flatten.pCollections())
.apply(View.asList())
p.apply(RDFIO.Read
.from(options.getSource())
.withSuffix(RDFLanguages.strLangNTriples))
.apply(ParDo.of(SparqlConstructETL(config, sideInput))
.withSideInputs(sideInput))
.apply(RDFIO.Write
.to(options.getDestination())
.withSuffix(RDFLanguages.NTRIPLES))
Und nur um das ganze Bild hier sind Implementierungen von SingleValue
und ConvertToRDFModel
Pardos:
class SingleValue : SerializableFunction<Iterable<String>, String> {
override fun apply(input: Iterable<String>?): String {
if (input != null) {
return input.joinToString(separator = " ")
}
return ""
}
}
class ConvertToRDFModel(outputLang: Lang) : DoFn<String, Model>() {
private val lang: String = outputLang.name
@ProcessElement
fun processElement(c: ProcessContext?) {
if (c != null) {
val model = ModelFactory.createDefaultModel()
model.read(StringReader(c.element()), null, lang)
c.output(model)
}
}
}
Die Umsetzung RDFModelCoder
:
class RDFModelCoder(private val decodeLang: String = RDFLanguages.strLangNTriples,
private val encodeLang: String = RDFLanguages.strLangNTriples)
: AtomicCoder<Model>() {
private val LOG = LoggerFactory.getLogger(RDFModelCoder::class.java)
override fun decode(inStream: InputStream): Model {
val bytes = StreamUtils.getBytes(inStream)
val model = ModelFactory.createDefaultModel()
model.read(ByteArrayInputStream(bytes), null, decodeLang) // the exception is thrown from here
return model
}
override fun encode(value: Model, outStream: OutputStream?) {
value.write(outStream, encodeLang, null)
}
}
überprüfte ich die Seiteneingabedateien mehrfach, es geht ihnen gut, sie haben UTF-8-Codierung.
Dies ist kein Jena-Problem. Die Eingabe ist nicht gültig UTF-8. PeekReader schlürft ziemlich großen Puffer (128K Bytes), um die Umwandlung von Byte zu Zeichen zu verbessern. Daher MalformedInputException. Die Länge = 1 bedeutet, dass es sich um eine illegale Ein-Byte-UTF-8-Sequenz in diesem Block handelt. – AndyS