ウィンドウ関数とストリーミングクエリ

Databricks における Spark SQL を使ったデータ変換

Disha Mukherjee

Lead Data Engineer

`groupBy()` では不十分なとき

recraft: half: スプレッドシートの行を虫眼鏡で拡大し、計算値がハイライトされている

 

  • groupBy() → グループごとに1行（合計、平均）
  • ウィンドウ関数 → 列を追加し、全行を保持
  • 用途： 累計、ランキング、行間比較
Databricks における Spark SQL を使ったデータ変換

累計

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)
)
Databricks における Spark SQL を使ったデータ変換

累計

+-----------+-------------------+------------------+-------------+
|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     |
+-----------+-------------------+------------------+-------------+
Databricks における Spark SQL を使ったデータ変換

顧客のランキング

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           |
+-----------+-------------+------------+
Databricks における Spark SQL を使ったデータ変換

ストリーミングとは

 

  • バッチ - 固定データセットを一括処理
  • ストリーミング - 到着したデータを逐次処理
  • トランザクションフィード、ログ、イベントデータに最適

recraft: half: データが矢印とともにストリームとして処理エンジンへ継続的に流れ込んでいる

Databricks における Spark SQL を使ったデータ変換

ファイルベースのストリーミング

$$

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)

 

  • CSVファイルのディレクトリ = ストリーミングソース
  • 新しいファイル1つ = マイクロバッチ1回
  • 新しいファイルは自動的に取り込まれる
  • スキーマは明示的に定義が必要
Databricks における Spark SQL を使ったデータ変換

ストリームの読み込み

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

print(df_stream.isStreaming)

True
Databricks における Spark SQL を使ったデータ変換

チェックポイントとは

recraft: half: データパイプラインの中にブックマークや保存ポイントのマーカーがあり、進捗が保存されている

 

$$

  • チェックポイント = ディスク上のメタデータディレクトリ
  • 処理済みファイルを記録する
  • 再起動時、Spark は中断した箇所から再開
  • 二重処理を防ぐ
Databricks における Spark SQL を使ったデータ変換

ストリームの書き込み

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
Databricks における Spark SQL を使ったデータ変換

モニタリング：`status` と `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
Databricks における Spark SQL を使ったデータ変換

チェックポイントによる復元

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
Databricks における Spark SQL を使ったデータ変換

練習しましょう！

Databricks における Spark SQL を使ったデータ変換

Preparing Video For Download...