Fungsi window dan kueri streaming

Transformasi Data dengan Spark SQL di Databricks

Disha Mukherjee

Lead Data Engineer

Saat groupBy tidak cukup

recraft: half: Sebuah kaca pembesar di atas baris data spreadsheet dengan nilai terhitung yang disorot

 

  • groupBy() → satu baris per grup (total, rata-rata)
  • Fungsi window → menambah kolom, semua baris tetap ada
  • Use case: total berjalan, pemeringkatan, perbandingan baris
Transformasi Data dengan Spark SQL di Databricks

Total berjalan

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) )
Transformasi Data dengan Spark SQL di Databricks

Total berjalan

+-----------+-------------------+------------------+-------------+
|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     |
+-----------+-------------------+------------------+-------------+
Transformasi Data dengan Spark SQL di Databricks

Memeringkat pelanggan

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           |
+-----------+-------------+------------+
Transformasi Data dengan Spark SQL di Databricks

Apa itu streaming?

 

  • Batch - memproses himpunan data tetap sekaligus
  • Streaming - memproses data bertahap saat masuk
  • Ideal untuk aliran transaksi, log, dan data peristiwa

recraft: half: Data mengalir terus-menerus sebagai aliran ke mesin pemroses dengan panah

Transformasi Data dengan Spark SQL di Databricks

Streaming berbasis file

$$

Direktori stream:
  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)

 

  • Direktori file CSV = sumber streaming
  • Setiap file baru = satu mikro-batch
  • File baru diambil otomatis
  • Skema harus didefinisikan eksplisit
Transformasi Data dengan Spark SQL di Databricks

Membaca stream

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

print(df_stream.isStreaming)
True
Transformasi Data dengan Spark SQL di Databricks

Apa itu checkpoint?

recraft: half: Penanda bookmark atau titik simpan dalam pipa data mengalir dengan progres tersimpan

 

$$

  • Checkpoint = direktori metadata di disk
  • Mencatat file yang sudah diproses
  • Saat restart, Spark melanjutkan dari titik terakhir
  • Mencegah pemrosesan ganda
Transformasi Data dengan Spark SQL di Databricks

Menulis stream

query = (
    df_stream.writeStream.format("delta")
    .outputMode("append")
    .option("checkpointLocation", CHECKPOINT_DIR)
    .option("path", DELTA_PATH)
    .trigger(availableNow=True)
    .start()
)
query.awaitTermination()
Status:       Stopped
Baris ditulis: 5,000
Transformasi Data dengan Spark SQL di Databricks

Pemantauan: status dan 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}
Baris diproses: 5,000
Baris/detik:    752
Transformasi Data dengan Spark SQL di Databricks

Pemulihan checkpoint

query_restart = (
    df_stream.writeStream.format("delta")
    .option("checkpointLocation", CHECKPOINT_DIR)
    .option("path", DELTA_PATH)
    .trigger(availableNow=True)
    .start()
)
query_restart.awaitTermination()
Baris saat restart: 0
Transformasi Data dengan Spark SQL di Databricks

Ayo berlatih!

Transformasi Data dengan Spark SQL di Databricks

Preparing Video For Download...