apache-spark - 如何计算 Spark Structured Streaming 中的滞后差异？

问题描述

我正在编写一个 Spark Structured Streaming 程序。我需要创建一个具有滞后差异的附加列。

为了重现我的问题，我提供了代码片段。此代码data.json使用存储在data文件夹中的文件：

[
  {"id": 77,"type": "person","timestamp": 1532609003},
  {"id": 77,"type": "person","timestamp": 1532609005},
  {"id": 78,"type": "crane","timestamp": 1532609005}
]

代码：

from pyspark.sql import SparkSession
import pyspark.sql.functions as func
from pyspark.sql.window import Window
from pyspark.sql.types import *

spark = SparkSession \
    .builder \
    .appName("Test") \
    .master("local[2]") \
    .getOrCreate()

schema = StructType([
    StructField("id", IntegerType()),
    StructField("type", StringType()),
    StructField("timestamp", LongType())
])

ds = spark \
    .readStream \
    .format("json") \
    .schema(schema) \
    .load("data/")

diff_window = Window.partitionBy("id").orderBy("timestamp")
ds = ds.withColumn("prev_timestamp", func.lag(ds.timestamp).over(diff_window))

query = ds \
    .writeStream \
    .format('console') \
    .start()

query.awaitTermination()

我收到此错误：

pyspark.sql.utils.AnalysisException: u'流数据帧/数据集不支持非基于时间的窗口；\nWindow [lag(timestamp#71L, 1, null) windowspecdefinition(host_id#68, timestamp#71L ASC NULLS首先，前 1 行和前 1 行之间的行）作为 prev_timestamp#129L]

标签： apache-sparkpysparkapache-spark-sqlspark-structured-streaming

pyspark.sql.utils.AnalysisException: u'流数据帧/数据集不支持非基于时间的窗口

这意味着您的窗口应该基于timestamp列。因此，如果您每秒都有一个数据点，并且您创建一个30s带有 astride的窗口10s，那么您的结果窗口将创建一个新window列，其中start和end列将包含差异为的时间戳30s。

您应该以这种方式使用窗口：

words = words.withColumn('date_time', F.col('date_time').cast('timestamp'))

w = F.window('date_time', '30 seconds', '10 seconds')
words = words \
   .withWatermark('date_format', '1 minutes') \
   .groupBy(w).agg(F.mean('value'))

apache-spark - 如何计算 Spark Structured Streaming 中的滞后差异？

问题描述

解决方案

推荐阅读