Dataflow 服務的動態工作重新平衡功能可讓服務根據執行階段條件，動態重新劃分工作。這些條件可能包括：
- 工作指派不平衡
- 工作站完成工作的時間比預期更慢
- 工作站完成工作的時間比預期更快
Dataflow 服務會自動偵測這些情況，並動態將工作指派給未使用的工作站或使用率偏低的工作站，以縮短整體工作處理時間。如要進一步瞭解 Dataflow 如何分配及擴充執行作業，請參閱「瞭解 Dataflow 中的平行處理」。
限制
只有在 Dataflow 服務平行處理某些輸入資料時，才會發生動態工作重新平衡：從外部輸入來源讀取資料時、使用具體化的中繼 PCollection 時，或使用匯總結果 (例如 GroupByKey) 時。如果作業中有大量步驟融合，作業的中間 PCollection 數量就會較少，動態工作重新平衡會受限於來源具體化 PCollection 中的元素數量。如要確保動態工作重新平衡機制可套用至管道中的特定 PCollection，可以透過幾種不同方式防止融合，確保動態平行處理。
動態重新平衡工作無法比單一記錄更精細地重新平行化資料。 如果資料含有導致處理時間大幅延遲的個別記錄，工作仍可能會延遲。Dataflow 無法將個別「熱門」記錄細分並重新分配給多個 worker。
Java
如果您為管道的最終輸出設定固定數量的分片 (例如使用 TextIO.Write.withNumShards 寫入資料)，Dataflow 會根據您選擇的分片數量限制平行化。
Python
如果您為管道的最終輸出設定固定數量的分片 (例如使用 beam.io.WriteToText(..., num_shards=...) 寫入資料)，Dataflow 會根據您選擇的分片數量限制平行化。
Go
如果為管道的最終輸出設定固定數量的分片，Dataflow 會根據您選擇的分片數量限制平行化。
使用自訂資料來源
Java
如果管道使用您提供的自訂資料來源，您必須實作 splitAtFraction 方法，讓來源與動態工作重新平衡功能搭配運作。
如果 splitAtFraction 實作有誤，來源記錄可能會重複或遭到捨棄。如需實作 splitAtFraction 的說明和提示，請參閱「RangeTracker 的 API 參考資料」。
Python
如果管道使用您提供的自訂資料來源，RangeTracker必須實作 try_claim、try_split、position_at_fraction 和 fraction_consumed，來源才能使用動態工作重新平衡功能。
詳情請參閱「RangeTracker 的 API 參考資料」。
Go
如果管道使用您提供的自訂資料來源，您必須實作有效的 RTracker，才能讓來源搭配動態工作重新平衡功能運作。
詳情請參閱 RTracker API 參考資訊。
動態工作重新平衡功能會使用自訂來源的 getProgress() 方法傳回值來啟動。getProgress() 的預設實作會傳回 null。如要確保自動調度資源功能會啟動，請確認自訂來源會覆寫 getProgress()，並傳回適當的值。