Funcții de fereastră și interogări în flux

Transformarea datelor cu Spark SQL în Databricks

Disha Mukherjee

Lead Data Engineer

Când groupBy nu este suficient

recraft: half: O lupă peste rânduri de date dintr-un tabel, cu valori calculate evidențiate

groupBy() → un rând per grup (totaluri, medii)
Funcție de fereastră → adaugă o coloană, păstrează fiecare rând
Cazuri de utilizare: totaluri cumulate, clasamente, comparații între rânduri

Total cumulat

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)
)

Total cumulat

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

Clasamentul clienților

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

Ce este streaming-ul?

Batch - procesează un set de date fix dintr-o dată
Streaming - procesează datele incremental, pe măsură ce sosesc
Ideal pentru fluxuri de tranzacții, jurnale și date de evenimente

recraft: half: Date care curg continuu ca un flux într-un motor de procesare, cu săgeți

Streaming bazat pe fișiere

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)

Director de fișiere CSV = sursă de streaming
Fiecare fișier nou = un micro-batch
Fișierele noi sunt preluate automat
Schema trebuie definită explicit

Citirea fluxului

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

print(df_stream.isStreaming)

True

Ce sunt checkpoint-urile?

recraft: half: Un marcaj de tip bookmark sau punct de salvare într-un pipeline de date în flux, cu progres salvat

Checkpoint = director de metadate pe disc
Înregistrează ce fișiere au fost procesate
La repornire, Spark reia de unde a rămas
Previne procesarea duplicată

Scrierea fluxului

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

Monitorizare: status și 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

Recuperare prin 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

Hai să exersăm!

Transformarea datelor cu Spark SQL în Databricks