Window functions และ Streaming Queries

การแปลงข้อมูลด้วย Spark SQL ใน Databricks

Disha Mukherjee

Lead Data Engineer

เมื่อ groupBy ไม่เพียงพอ

recraft: half: แว่นขยายบนแถวข้อมูลสเปรดชีตที่มีค่าที่คำนวณแล้วถูกไฮไลต์

groupBy() → หนึ่งแถวต่อกลุ่ม (ผลรวม, ค่าเฉลี่ย)
Window function → เพิ่มคอลัมน์ คงทุกแถวไว้
กรณีใช้งาน: ผลรวมสะสม, การจัดอันดับ, การเปรียบเทียบแถว

ผลรวมสะสม

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)
)

ผลรวมสะสม

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

การจัดอันดับลูกค้า

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

Streaming คืออะไร?

Batch - ประมวลผลชุดข้อมูลทั้งหมดในครั้งเดียว
Streaming - ประมวลผลข้อมูลแบบทีละส่วนเมื่อข้อมูลมาถึง
เหมาะสำหรับ transaction feeds, logs, และข้อมูล event

recraft: half: ข้อมูลที่ไหลต่อเนื่องเป็นกระแสเข้าสู่ engine ประมวลผลพร้อมลูกศรแสดงทิศทาง

Streaming จากไฟล์

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)

ไดเรกทอรีของไฟล์ CSV = แหล่ง streaming
ไฟล์ใหม่แต่ละไฟล์ = หนึ่ง micro-batch
ไฟล์ใหม่ถูกดึงเข้าโดยอัตโนมัติ
ต้องกำหนด schema อย่างชัดเจน

อ่าน Stream

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

print(df_stream.isStreaming)

True

Checkpoint คืออะไร?

recraft: half: เครื่องหมาย bookmark หรือ save point ใน pipeline ข้อมูลที่กำลังไหล พร้อมแสดงความคืบหน้าที่บันทึกไว้

Checkpoint = ไดเรกทอรี metadata บนดิสก์
บันทึกว่าไฟล์ใดถูกประมวลผลไปแล้ว
เมื่อรีสตาร์ต Spark จะทำงานต่อจากจุดที่หยุดไว้
ป้องกันการประมวลผลซ้ำ

เขียน 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
Rows written: 5,000

การติดตาม: status และ 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

การกู้คืนด้วย 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

มาฝึกกันเถอะ!

การแปลงข้อมูลด้วย Spark SQL ใน Databricks