scala - 非时间戳列上的 Spark 结构化流窗口

Question

我正在获取以下形式的数据流:

+--+---------+---+----+
|id|timestamp|val|xxx |
+--+---------+---+----+
|1 |12:15:25 | 50| 1  |
|2 |12:15:25 | 30| 1  |
|3 |12:15:26 | 30| 2  |
|4 |12:15:27 | 50| 2  |
|5 |12:15:27 | 30| 3  |
|6 |12:15:27 | 60| 4  |
|7 |12:15:28 | 50| 5  |
|8 |12:15:30 | 60| 5  |
|9 |12:15:31 | 30| 6  |
|. |...      |...|... |

我有兴趣将窗口操作应用于 xxx列就像时间戳上的窗口操作在 Spark Streaming 中可用，具有一些窗口大小和滑动步长。

让我们在 groupBy带窗函数， lines表示窗口大小为 2 且滑动步长为 1 的流数据帧。

val c_windowed_count = lines.groupBy(
  window($"xxx", "2", "1"), $"val").count().orderBy("xxx")

因此，输出应如下所示:

+------+---+-----+
|window|val|count|
+------+---+-----+
|[1, 3]|50 |  2  |
|[1, 3]|30 |  2  |
|[2, 4]|30 |  2  |
|[2, 4]|50 |  1  |
|[3, 5]|30 |  1  |
|[3, 5]|60 |  1  |
|[4, 6]|60 |  2  |
|[4, 6]|50 |  1  |
|...   |.. | ..  |

我尝试使用 partitionBy但它在 Spark Structured Streaming 中不受支持。

我正在使用 Spark Structured Streaming 2.3.1。

谢谢!

Answer 1

目前无法使用 Spark Structured Streaming 以这种方式在非时间戳列上使用窗口。但是，您可以做的是转换 xxx列到时间戳列 ，做 groupBy和 count ，然后变回来。
from_unixtime可用于将自 1970-01-01 以来的秒数转换为时间戳。使用 xxx列作为秒，可以创建一个假时间戳以在窗口中使用:

lines.groupBy(window(from_unixtime($"xxx"), "2 seconds", "1 seconds"), $"val").count()
  .withColumn("window", struct(unix_timestamp($"window.start"), unix_timestamp($"window.end")).as("window"))
  .filter($"window.col1" =!= 0)
  .orderBy($"window.col1")

上面，分组是在转换后的时间戳上完成的，下一行将把它转换回原来的数字。过滤器已完成，因为前两行将是一个窗口 [0,2] (即仅在 xxx 等于 1 的行上)但可以跳过。

上述输入的结果输出:

+------+---+-----+
|window|val|count|
+------+---+-----+
| [1,3]| 50|    2|
| [1,3]| 30|    2|
| [2,4]| 30|    2|
| [2,4]| 50|    1|
| [3,5]| 30|    1|
| [3,5]| 60|    1|
| [4,6]| 60|    2|
| [4,6]| 50|    1|
| [5,7]| 30|    1|
| [5,7]| 60|    1|
| [5,7]| 50|    1|
| [6,8]| 30|    1|
+------+---+-----+