Fönsterfunktioner och strömningsfrågor

Datatransformation med Spark SQL i Databricks

Disha Mukherjee

Lead Data Engineer

När groupBy inte räcker

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

 

  • groupBy() → en rad per grupp (summor, medelvärden)
  • Fönsterfunktion → lägger till en kolumn, behåller varje rad
  • Användningsfall: löpande summor, rankningar, radjämförelser
Datatransformation med Spark SQL i Databricks

Löpande summa

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)
)
Datatransformation med Spark SQL i Databricks

Löpande summa

+-----------+-------------------+------------------+-------------+
|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     |
+-----------+-------------------+------------------+-------------+
Datatransformation med Spark SQL i Databricks

Rangordna kunder

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           |
+-----------+-------------+------------+
Datatransformation med Spark SQL i Databricks

Vad är strömning?

 

  • Batch - bearbeta en fast datamängd på en gång
  • Strömning - bearbeta data stegvis allteftersom det anländer
  • Passar transaktionsflöden, loggar och händelsedata

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

Datatransformation med Spark SQL i Databricks

Filbaserad strömning

$$

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 med CSV-filer = strömningskälla
  • Varje ny fil = en mikrobatch
  • Nya filer hämtas automatiskt
  • Schema måste anges explicit
Datatransformation med Spark SQL i Databricks

Läsa strömmen

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

print(df_stream.isStreaming)

True
Datatransformation med Spark SQL i Databricks

Vad är checkpoints?

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

 

$$

  • Checkpoint = metadatakatalog på disk
  • Registrerar vilka filer som har bearbetats
  • Vid omstart fortsätter Spark där det slutade
  • Förhindrar dubbelbearbetning
Datatransformation med Spark SQL i Databricks

Skriva strömmen

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
Datatransformation med Spark SQL i Databricks

Övervakning: status och 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
Datatransformation med Spark SQL i Databricks

Återhämtning med 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
Datatransformation med Spark SQL i Databricks

Nu kör vi en övning!

Datatransformation med Spark SQL i Databricks

Preparing Video For Download...