Fonctions de fenêtre et requêtes en streaming

Transformation des données avec Spark SQL dans Databricks

Disha Mukherjee

Lead Data Engineer

Quand groupBy ne suffit pas

recraft: half: Une loupe au-dessus de lignes de feuille de calcul avec des valeurs calculées en surbrillance

 

  • groupBy() → une ligne par groupe (totaux, moyennes)
  • Fonction de fenêtre → ajoute une colonne, conserve chaque ligne
  • Cas d'usage : cumuls, classements, comparaisons de lignes
Transformation des données avec Spark SQL dans Databricks

Cumul évolutif (running total)

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)
)
Transformation des données avec Spark SQL dans Databricks

Cumul évolutif (running total)

+-----------+-------------------+------------------+-------------+
|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     |
+-----------+-------------------+------------------+-------------+
Transformation des données avec Spark SQL dans Databricks

Classer les client·e·s

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           |
+-----------+-------------+------------+
Transformation des données avec Spark SQL dans Databricks

Qu'est-ce que le streaming ?

 

  • Batch : traiter un jeu de données fixe en une fois
  • Streaming : traiter les données au fil de leur arrivée
  • Idéal pour flux de transactions, journaux et événements

recraft: half: Des données s'écoulant en continu vers un moteur de traitement avec des flèches

Transformation des données avec Spark SQL dans Databricks

Streaming basé sur des fichiers

$$

Répertoire du flux :
  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 dossier de fichiers CSV = source de streaming
  • Chaque nouveau fichier = un micro-batch
  • Nouveaux fichiers détectés automatiquement
  • Le schéma doit être défini explicitement
Transformation des données avec Spark SQL dans Databricks

Lire le flux

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

print(df_stream.isStreaming)

True
Transformation des données avec Spark SQL dans Databricks

Qu'est-ce qu'un checkpoint ?

recraft: half: Un marqueur de signet ou point de sauvegarde dans un pipeline de données en flux avec progression enregistrée

 

$$

  • Checkpoint = répertoire de métadonnées sur disque
  • Indique quels fichiers ont été traités
  • Au redémarrage, Spark reprend où il s'est arrêté
  • Évite les traitements en double
Transformation des données avec Spark SQL dans Databricks

Écrire le flux

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
Transformation des données avec Spark SQL dans Databricks

Suivi : status et 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
Transformation des données avec Spark SQL dans Databricks

Récupération depuis un 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
Transformation des données avec Spark SQL dans Databricks

Passons à la pratique !

Transformation des données avec Spark SQL dans Databricks

Preparing Video For Download...