下面是一个使用 Apache Beam 从具有不同消息方案的多个 Kafka 主题中读取数据的示例代码：

import apache_beam as beam
from apache_beam.options.pipeline_options import PipelineOptions
from apache_beam.io.kafka import ReadFromKafka

# 定义 Apache Beam 管道选项
pipeline_options = PipelineOptions()
pipeline = beam.Pipeline(options=pipeline_options)

# 定义 Kafka 主题和消息方案
topics = ['topic1', 'topic2']
message_schemes = {
    'topic1': 'message_scheme1',
    'topic2': 'message_scheme2'
}

# 从 Kafka 主题中读取数据
def read_from_kafka(topic, message_scheme):
    return (
        pipeline
        | f"Read from {topic}" >> ReadFromKafka(
            consumer_config={
                'bootstrap.servers': 'localhost:9092',
                'group.id': 'my_group_id',
                'auto.offset.reset': 'earliest'
            },
            topics=[topic],
            value_deserializer=lambda x: x.decode('utf-8'),
            key_deserializer=lambda x: x.decode('utf-8'),
            key_schema=None,
            value_schema=message_scheme
        )
        | f"Process {topic} messages" >> beam.Map(lambda message: (topic, message))
    )

# 从多个 Kafka 主题中读取数据
merged_data = (
    pipeline
    | 'Merge Kafka topics' >> beam.Flatten(
        *[read_from_kafka(topic, message_schemes[topic]) for topic in topics]
    )
)

# 输出合并后的数据
merged_data | 'Print merged data' >> beam.Map(print)

# 运行管道
pipeline.run()

上述代码假设已经安装了 Apache Beam 和 Kafka Python 客户端。请确保正确配置 Kafka 的连接参数，并根据实际情况修改主题名称和消息方案。代码中使用了一个 read_from_kafka 函数来读取单个主题的数据，然后使用 beam.Flatten 函数将多个主题的数据合并成一个 PCollection。最后，使用 beam.Map 函数打印合并后的数据。

请注意，上述代码只是一个示例，实际情况可能会有所不同。您可以根据自己的需求进行修改和扩展。