Funciones de ventana y consultas en streaming

Transformación de datos con Spark SQL en Databricks

Disha Mukherjee

Lead Data Engineer

Cuando groupBy no basta

recraft: half: Una lupa sobre filas de una hoja de cálculo con valores calculados resaltados

groupBy() → una fila por grupo (totales, medias)
Función de ventana → añade una columna y mantiene todas las filas
Uso típico: acumulados, rankings, comparar filas

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

Clasificar 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           |
+-----------+-------------+------------+

¿Qué es el streaming?

Batch: procesa un conjunto fijo de datos de una vez
Streaming: procesa datos de forma incremental según llegan
Ideal para transacciones, logs y eventos

recraft: half: Datos fluyendo continuamente como un stream hacia un motor de procesamiento con flechas

Streaming basado en archivos

Directorio del stream:
  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)

Un directorio de archivos CSV = fuente de streaming
Cada archivo nuevo = un micro-batch
Los archivos nuevos se detectan automáticamente
El esquema debe definirse explícitamente

Leer el stream

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

print(df_stream.isStreaming)

True

¿Qué son los checkpoints?

recraft: half: Un marcador o punto de guardado en un flujo de datos con el progreso guardado

Checkpoint = directorio de metadatos en disco
Registra qué archivos se han procesado
Al reiniciar, Spark continúa donde lo dejó
Evita reprocesar duplicados

Escribir el stream

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

Estado:       Detenido
Filas escritas: 5,000

Supervisión: status y 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}
Filas procesadas: 5,000
Filas/seg:        752

Recuperación con checkpoint

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

Filas al reiniciar: 0

¡Vamos a practicar!

Transformación de datos con Spark SQL en Databricks