Window-Funktionen und Streaming-Abfragen

Datentransformation mit Spark SQL in Databricks

Disha Mukherjee

Lead Data Engineer

Wenn groupBy nicht reicht

recraft: half: Eine Lupe über Tabellendaten mit hervorgehobenen berechneten Werten

groupBy() → eine Zeile pro Gruppe (Summen, Mittelwerte)
Window-Funktion → fügt Spalte hinzu, behält alle Zeilen
Use Case: laufende Summen, Rankings, Zeilenvergleiche

Laufende Summe

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)
)

Laufende Summe

+-----------+-------------------+------------------+-------------+
|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     |
+-----------+-------------------+------------------+-------------+

Kund:innen ranken

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           |
+-----------+-------------+------------+

Was ist Streaming?

Batch – einen festen Datensatz auf einmal verarbeiten
Streaming – Daten laufend bei Eingang verarbeiten
Ideal für Transaktionsfeeds, Logs und Eventdaten

recraft: half: Daten fließen kontinuierlich als Strom in eine Verarbeitungseinheit mit Pfeilen

Dateibasiertes Streaming

Stream-Verzeichnis:
  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)

Verzeichnis mit CSV-Dateien = Streaming-Quelle
Jede neue Datei = ein Micro-Batch
Neue Dateien werden automatisch erkannt
Schema muss explizit definiert sein

Den Stream lesen

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

print(df_stream.isStreaming)

True

Was sind Checkpoints?

recraft: half: Ein Lesezeichen- oder Speicherpunktmarker in einer fließenden Daten-Pipeline mit gespeichertem Fortschritt

Checkpoint = Metadaten-Verzeichnis auf dem Datenträger
Vermerkt, welche Dateien verarbeitet wurden
Beim Neustart macht Spark nahtlos weiter
Verhindert doppelte Verarbeitung

Den Stream schreiben

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

Status:       Stopped
Geschriebene Zeilen: 5,000

Monitoring: status und 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}
Verarbeitete Zeilen: 5,000
Zeilen/Sek.:          752

Checkpoint-Wiederherstellung

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

Zeilen beim Neustart: 0

Lass uns üben!

Datentransformation mit Spark SQL in Databricks