在 Spark Structured Streaming 中外部连接两个数据集（不是数据帧）

Question

我有一些代码将两个流DataFrames和输出连接到控制台。

val dataFrame1 =
  df1Input.withWatermark("timestamp", "40 seconds").as("A")

val dataFrame2 =
  df2Input.withWatermark("timestamp", "40 seconds").as("B")

val finalDF: DataFrame = dataFrame1.join(dataFrame2,
      expr(
        "A.id = B.id" +
          " AND " +
          "B.timestamp >= A.timestamp " +
          " AND " +
          "B.timestamp <= A.timestamp + interval 1 hour")
      , joinType = "leftOuter")
finalDF.writeStream.format("console").start().awaitTermination()

我现在想要的是重构这部分以使用Datasets，这样我就可以进行一些compile-time检查。

所以我尝试的非常简单：

val finalDS: Dataset[(A,B)] = dataFrame1.as[A].joinWith(dataFrame2.as[B],
      expr(
        "A.id = B.id" +
          " AND " +
          "B.timestamp >= A.timestamp " +
          " AND " +
          "B.timestamp <= A.timestamp + interval 1 hour")
      , joinType = "leftOuter")
finalDS.writeStream.format("console").start().awaitTermination()

但是，这会产生以下错误：

org.apache.spark.sql.AnalysisException：如果连接键中没有水印，或者可空端没有水印和适当的范围条件，则不支持两个流式数据帧/数据集之间的流外连接；；

可以看到，join代码没变，所以两边都有水印，还有范围条件。唯一的变化是使用DatasetAPI 而不是DataFrame.

另外，当我使用 inner 时很好join：

val finalDS: Dataset[(A,B)] = dataFrame1.as[A].joinWith(dataFrame2.as[B],
          expr(
            "A.id = B.id" +
              " AND " +
              "B.timestamp >= A.timestamp " +
              " AND " +
              "B.timestamp <= A.timestamp + interval 1 hour")
          )
    finalDS.writeStream.format("console").start().awaitTermination()

有谁知道这怎么会发生？

Answer 1

好吧，当您使用joinWith方法而不是join依赖不同的实现时，该实现似乎不支持流数据集的leftOuter join。

您可以通过官方文档的水印部分检查外连接。join未使用方法joinWith。请注意，结果类型将为DataFrame. 这意味着您很可能必须手动映射字段

val finalDS = dataFrame1.as[A].join(dataFrame2.as[B],
    expr(
      "A.key = B.key" +
        " AND " +
        "B.timestamp >= A.timestamp " +
        " AND " +
        "B.timestamp <= A.timestamp + interval 1 hour"),
    joinType = "leftOuter").select(/* useful fields */).as[C]