Оконные функции и потоковые запросы

Преобразование данных с помощью Spark SQL в Databricks

Disha Mukherjee

Lead Data Engineer

Когда `groupBy()` недостаточно

recraft: half: Лупа над строками таблицы с выделенными вычисленными значениями

 

  • groupBy() → одна строка на группу (суммы, средние значения)
  • Оконная функция → добавляет столбец, сохраняя все строки
  • Применение: нарастающие итоги, ранжирование, сравнение строк
Преобразование данных с помощью Spark SQL в Databricks

Нарастающий итог

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)
)
Преобразование данных с помощью Spark SQL в Databricks

Нарастающий итог

+-----------+-------------------+------------------+-------------+
|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     |
+-----------+-------------------+------------------+-------------+
Преобразование данных с помощью Spark SQL в Databricks

Ранжирование клиентов

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           |
+-----------+-------------+------------+
Преобразование данных с помощью Spark SQL в Databricks

Что такое потоковая обработка?

 

  • Пакетная обработка — фиксированный набор данных обрабатывается целиком
  • Потоковая обработка — данные обрабатываются по мере поступления
  • Подходит для транзакционных потоков, журналов и событийных данных

recraft: half: Данные, непрерывным потоком поступающие в систему обработки со стрелками

Преобразование данных с помощью Spark SQL в Databricks

Потоковая обработка на основе файлов

$$

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)

 

  • Каталог CSV-файлов = источник потока
  • Каждый новый файл = один микропакет
  • Новые файлы подхватываются автоматически
  • Схема должна быть задана явно
Преобразование данных с помощью Spark SQL в Databricks

Чтение потока

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

print(df_stream.isStreaming)

True
Преобразование данных с помощью Spark SQL в Databricks

Что такое контрольные точки?

recraft: half: Закладка или точка сохранения в конвейере обработки данных с отметкой о прогрессе

 

$$

  • Контрольная точка = каталог метаданных на диске
  • Записывает, какие файлы уже обработаны
  • При перезапуске Spark продолжает с того места, где остановился
  • Исключает повторную обработку данных
Преобразование данных с помощью Spark SQL в Databricks

Запись потока

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
Преобразование данных с помощью Spark SQL в Databricks

Мониторинг: `status` и `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
Преобразование данных с помощью Spark SQL в Databricks

Восстановление из контрольной точки

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
Преобразование данных с помощью Spark SQL в Databricks

Давайте потренируемся!

Преобразование данных с помощью Spark SQL в Databricks

Preparing Video For Download...