Windowfuncties en streamingqueries

Gegevens transformeren met Spark SQL in Databricks

Disha Mukherjee

Lead Data Engineer

Als groupBy niet genoeg is

recraft: half: Een vergrootglas boven rijen spreadsheetgegevens met gemarkeerde berekende waarden

groupBy() → één rij per groep (totalen, gemiddelden)
Windowfunctie → voegt kolom toe, behoudt alle rijen
Use case: lopende totalen, rankings, rijen vergelijken

Lopende som

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)
)

Lopende som

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

Klanten rangschikken

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

Wat is streaming?

Batch - verwerk een vaste gegevensset in één keer
Streaming - verwerk data stapsgewijs zodra die binnenkomt
Ideaal voor transactiestromen, logs en eventdata

recraft: half: Data die continu als stroom een verwerkingsengine instroomt met pijlen

Bestandsgebaseerde streaming

Stream-map:
  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)

Map met CSV-bestanden = streamingbron
Elk nieuw bestand = één micro-batch
Nieuwe bestanden automatisch opgepikt
Schema moet expliciet worden gedefinieerd

De stream lezen

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

print(df_stream.isStreaming)

True

Wat zijn checkpoints?

recraft: half: Een bladwijzer- of savepointmarkering in een stromende datapijplijn met voortgang opgeslagen

Checkpoint = metadatamap op schijf
Registreert welke bestanden zijn verwerkt
Na herstart gaat Spark verder waar het was
Voorkomt dubbele verwerking

De stream wegschrijven

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

Monitoren: status en 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

Herstel via 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

Laten we oefenen!

Gegevens transformeren met Spark SQL in Databricks