Funkcje okna i zapytania strumieniowe

Data Transformation with Spark SQL in Databricks

Disha Mukherjee

Lead Data Engineer

Kiedy `groupBy()` nie wystarczy

recraft: half: A magnifying glass over rows of spreadsheet data with highlighted calculated values

groupBy() → jeden wiersz na grupę (sumy, średnie)
Funkcja okna → dodaje kolumnę, zachowuje każdy wiersz
Zastosowania: sumy narastające, rankingi, porównania wierszy

Suma narastająca

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)
)

Suma narastająca

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

Ranking klientów

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

Czym jest przetwarzanie strumieniowe?

Wsadowe — przetwarza cały zbiór danych naraz
Strumieniowe — przetwarza dane przyrostowo, w miarę napływania
Idealne do strumieni transakcji, logów i danych zdarzeń

recraft: half: Data flowing continuously as a stream into a processing engine with arrows

Strumieniowanie z plików

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)

Katalog plików CSV = źródło strumieniowe
Każdy nowy plik = jeden mikro-wsad
Nowe pliki pobierane automatycznie
Schemat musi być zdefiniowany jawnie

Odczyt strumienia

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

print(df_stream.isStreaming)

True

Czym są punkty kontrolne?

recraft: half: A bookmark or save point marker in a flowing data pipeline with progress saved

Punkt kontrolny = katalog metadanych na dysku
Rejestruje, które pliki zostały przetworzone
Po restarcie Spark wznawia od miejsca, w którym skończył
Zapobiega ponownemu przetwarzaniu tych samych danych

Zapis strumienia

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

Monitorowanie: status i 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

Odtwarzanie z punktu kontrolnego

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

Czas na praktykę!

Data Transformation with Spark SQL in Databricks