Funções de janela e consultas de streaming

Transformação de Dados com Spark SQL no Databricks

Disha Mukherjee

Lead Data Engineer

Quando groupBy não basta

recraft: half: Uma lupa sobre linhas de dados de planilha com valores calculados destacados

groupBy() → uma linha por grupo (totais, médias)
Função de janela → adiciona coluna, mantém todas as linhas
Uso: totais acumulados, rankings, comparação entre linhas

Total acumulado

from pyspark.sql.window import Window

window_spec = (
    Window.partitionBy("Customer_ID")
    .orderBy("Date")
    .rowsBetween(Window.unboundedPreceding, Window.currentRow)
)


df_running = df_valid.withColumn(
    "running_total",
    F.round(F.sum("Transaction_Amount").over(window_spec), 2)
)

Total acumulado

+-----------+-------------------+------------------+-------------+
|Customer_ID|Date               |Transaction_Amount|running_total|
+-----------+-------------------+------------------+-------------+
|CUST003    |2023-01-03 00:00:00|5752.36           |5752.36      |
|CUST003    |2023-02-14 00:00:00|12340.00          |18092.36     |
+-----------+-------------------+------------------+-------------+

Ranqueando clientes

customer_totals = (
    df_valid.groupBy("Customer_ID")
    .agg(F.round(F.sum("Transaction_Amount"), 2).alias("total_revenue"))
)


rank_window = Window.orderBy(F.col("total_revenue").desc())

df_ranked = customer_totals.withColumn("revenue_rank", F.rank().over(rank_window))

+-----------+-------------+------------+
|Customer_ID|total_revenue|revenue_rank|
+-----------+-------------+------------+
|CUST1469   |99996.20     |1           |
|CUST19129  |99990.14     |2           |
|CUST39417  |99982.21     |3           |
+-----------+-------------+------------+

O que é streaming?

Batch - processa um conjunto fixo de dados de uma vez
Streaming - processa dados aos poucos conforme chegam
Ideal para transações, logs e eventos

recraft: half: Dados fluindo continuamente como um fluxo para um mecanismo de processamento com setas

Streaming baseado em arquivos

Stream directory:
  day_1.csv  (108 KB)
  day_2.csv  (108 KB)
  day_3.csv  (108 KB)
  day_4.csv  (108 KB)
  day_5.csv  (108 KB)

Diretório de arquivos CSV = fonte de streaming
Cada novo arquivo = um micro-batch
Novos arquivos são lidos automaticamente
O schema deve ser definido explicitamente

Lendo o stream

df_stream = (
    spark.readStream.format("csv")
    .option("header", "true")
    .schema(streaming_schema)
    .load(STREAM_DIR)
)

print(df_stream.isStreaming)

True

O que são checkpoints?

recraft: half: Um marcador de favorito ou ponto de salvamento em um pipeline de dados em fluxo com progresso salvo

Checkpoint = diretório de metadados em disco
Registra quais arquivos já foram processados
Ao reiniciar, o Spark retoma de onde parou
Evita processamento duplicado

Gravando o stream

query = (
    df_stream.writeStream.format("delta")
    .outputMode("append")
    .option("checkpointLocation", CHECKPOINT_DIR)
    .option("path", DELTA_PATH)
    .trigger(availableNow=True)
    .start()
)
query.awaitTermination()

Status:       Stopped
Rows written: 5,000

Monitoramento: status e lastProgress

print(query.status)

progress = query.lastProgress
print(f"Rows processed: {progress['numInputRows']}")
print(f"Rows/sec: {progress['processedRowsPerSecond']:.0f}")

{'message': 'Stopped', 'isDataAvailable': False, 'isTriggerActive': False}
Rows processed: 5,000
Rows/sec:       752

Recuperação via checkpoint

query_restart = (
    df_stream.writeStream.format("delta")
    .option("checkpointLocation", CHECKPOINT_DIR)
    .option("path", DELTA_PATH)
    .trigger(availableNow=True)
    .start()
)
query_restart.awaitTermination()

Rows on restart: 0

Vamos praticar!

Transformação de Dados com Spark SQL no Databricks