Okenní funkce a streamovací dotazy

Transformace dat pomocí Spark SQL v Databricks

Disha Mukherjee

Lead Data Engineer

Kdy `groupBy()` nestačí

recraft: half: Lupa nad řádky tabulkových dat se zvýrazněnými vypočítanými hodnotami

 

  • groupBy() → jeden řádek na skupinu (součty, průměry)
  • Okenní funkce → přidá sloupec, zachová všechny řádky
  • Využití: průběžné součty, pořadí, porovnání řádků
Transformace dat pomocí Spark SQL v Databricks

Průběžný součet

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)
)
Transformace dat pomocí Spark SQL v Databricks

Průběžný součet

+-----------+-------------------+------------------+-------------+
|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     |
+-----------+-------------------+------------------+-------------+
Transformace dat pomocí Spark SQL v Databricks

Řazení zákazníků

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           |
+-----------+-------------+------------+
Transformace dat pomocí Spark SQL v Databricks

Co je streaming?

 

  • Dávkové zpracování – zpracuje celou datovou sadu najednou
  • Streaming – zpracovává data průběžně, jak přicházejí
  • Ideální pro transakční toky, logy a události

recraft: half: Data proudí jako stream do zpracovacího systému se šipkami

Transformace dat pomocí Spark SQL v Databricks

Streaming ze souborů

$$

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)

 

  • Složka s CSV soubory = zdroj streamingu
  • Každý nový soubor = jeden mikro-batch
  • Nové soubory se načítají automaticky
  • Schéma musí být definováno explicitně
Transformace dat pomocí Spark SQL v Databricks

Čtení streamu

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

print(df_stream.isStreaming)

True
Transformace dat pomocí Spark SQL v Databricks

Co jsou checkpointy?

recraft: half: Záložka nebo bod uložení v datovém pipeline s uloženým průběhem

 

$$

  • Checkpoint = adresář s metadaty na disku
  • Zaznamenává, které soubory již byly zpracovány
  • Po restartu Spark pokračuje od místa, kde skončil
  • Zabraňuje duplicitnímu zpracování
Transformace dat pomocí Spark SQL v Databricks

Zápis streamu

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
Transformace dat pomocí Spark SQL v Databricks

Monitorování: status a 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
Transformace dat pomocí Spark SQL v Databricks

Obnova z checkpointu

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
Transformace dat pomocí Spark SQL v Databricks

Pojďme cvičit!

Transformace dat pomocí Spark SQL v Databricks

Preparing Video For Download...