apache-spark - Spark 结构化流中的滞后函数

Question

我正在使用 Spark 2.3 结构化流式传输并尝试使用“滞后”功能。然而，结构化流式传输似乎不支持延迟。

val output = spark.sql("SELECT temperature, time, lag(temperature, 1) OVER (ORDER BY time) AS PrevTemp FROM InputTable")

得到这个错误:

org.apache.spark.sql.AnalysisException: Non-time-based windows are not supported on streaming DataFrames/Datasets; line 1 pos 0;

是否有其他方法可以通过结构化流媒体实现这种“滞后”功能？

谢谢!

Answer 1

据我所知，没有。

您可能会玩 mapGroupsWithState。例如:

    case class PayLoad(event_time: java.sql.Timestamp, data: String)

def mappingFunction(key: java.sql.Timestamp, values: Iterator[PayLoad], state: GroupState[PayLoad]): PayLoad = {
  ??? // Work with values iterator
}

val temperature: DataFrame = ???
temperature
  .withColumn("event_time", org.apache.spark.sql.functions.current_timestamp())
  .as[PayLoad]
  .groupByKey(_.event_time)
  .mapGroupsWithState(GroupStateTimeout.ProcessingTimeTimeout())(mappingFunction)

您不需要保持状态，但通过这种方式您可以访问值迭代器并且您能够解决任何任务。

请记住，在这种情况下，所有微批处理数据都将进入一个分区，并且负载巨大可能会导致巨大的延迟甚至 OOM。 (以及 OVER (ORDER BY time))

希望对您有所帮助。