Funzioni finestra e query in streaming

Trasformazione dei dati con Spark SQL in Databricks

Disha Mukherjee

Lead Data Engineer

Quando groupBy non basta

recraft: half: Una lente d'ingrandimento su righe di un foglio di calcolo con valori calcolati evidenziati

groupBy() → una riga per gruppo (totali, medie)
Funzione finestra → aggiunge una colonna, mantiene tutte le righe
Uso tipico: totali progressivi, ranking, confronti tra righe

Totale progressivo

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)
)

Totale progressivo

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

Classificare i clienti

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

Cos'è lo streaming?

Batch: elabora un dataset fisso in una volta
Streaming: elabora i dati man mano che arrivano
Ideale per flussi di transazioni, log ed eventi

recraft: half: Dati che scorrono continuamente come un flusso in un motore di elaborazione con frecce

Streaming basato su file

Directory dello 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)

Directory di file CSV = sorgente streaming
Ogni nuovo file = un micro-batch
I nuovi file vengono presi automaticamente
Lo schema va definito in modo esplicito

Lettura dello stream

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

print(df_stream.isStreaming)

True

Cosa sono i checkpoint?

recraft: half: Un segnalibro o punto di salvataggio in una pipeline di dati in flusso con avanzamento salvato

Checkpoint = directory di metadati su disco
Registra quali file sono stati elaborati
Al riavvio, Spark riprende da dove era rimasto
Evita elaborazioni duplicate

Scrittura dello stream

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

Stato:        Arrestata
Righe scritte: 5,000

Monitoraggio: 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}
Righe elaborate: 5,000
Righe/sec:       752

Recupero dal checkpoint

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

Righe al riavvio: 0

Esercitiamoci!

Trasformazione dei dati con Spark SQL in Databricks