apache-spark - 如何在组中找到第一个非空值？ (使用数据集api进行二次排序)

Question

我正在处理一个表示事件流的数据集(例如作为来自网站的跟踪事件触发)。所有事件都有一个时间戳。我们经常遇到的一个用例是试图找到给定字段的第一个非空值。例如，像这样的事情让我们最接近那里:

val eventsDf = spark.read.json(jsonEventsPath) 

case class ProjectedFields(visitId: String, userId: Int, timestamp: Long ... )

val projectedEventsDs = eventsDf.select(
    eventsDf("message.visit.id").alias("visitId"),
    eventsDf("message.property.user_id").alias("userId"),
    eventsDf("message.property.timestamp"),

    ...

).as[ProjectedFields]

projectedEventsDs.groupBy($"visitId").agg(first($"userId", true))

上面代码的问题在于输入到 first 的数据的顺序。不保证聚合功能。我希望它按 timestamp 排序以确保它是时间戳的第一个非空用户 ID，而不是任何随机的非空用户 ID。

有没有办法定义分组内的排序？

使用 Spark 2.10

顺便说一句，在 SPARK DataFrame: select the first row of each group 中为 Spark 2.10 建议的方式是在分组之前进行排序——这是行不通的。例如下面的代码:

case class OrderedKeyValue(key: String, value: String, ordering: Int)
val ds = Seq(
  OrderedKeyValue("a", null, 1), 
  OrderedKeyValue("a", null, 2), 
  OrderedKeyValue("a", "x", 3), 
  OrderedKeyValue("a", "y", 4), 
  OrderedKeyValue("a", null, 5)
).toDS()

ds.orderBy("ordering").groupBy("key").agg(first("value", true)).collect()

有时会返回 Array([a,y])有时 Array([a,x])

Answer 1

使用我心爱的 window (......体验你的生活变得多么简单!)

import org.apache.spark.sql.expressions.Window
val byKeyOrderByOrdering = Window
  .partitionBy("key")
  .orderBy("ordering")
  .rangeBetween(Window.unboundedPreceding, Window.unboundedFollowing)

import org.apache.spark.sql.functions.first
val firsts = ds.withColumn("first",
  first("value", ignoreNulls = true) over byKeyOrderByOrdering)

scala> firsts.show
+---+-----+--------+-----+
|key|value|ordering|first|
+---+-----+--------+-----+
|  a| null|       1|    x|
|  a| null|       2|    x|
|  a|    x|       3|    x|
|  a|    y|       4|    x|
|  a| null|       5|    x|
+---+-----+--------+-----+

注意:不知何故，Spark 2.2.0-SNAPSHOT(今天构建)无法给我正确的答案，没有 rangeBetween我认为应该是默认的无界范围。