非时间戳列上的Spark Strucutured Streaming窗口

Question

我正在获取表单的数据流:

+--+---------+---+----+
|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  |
|. |...      |...|... |

我感兴趣的是将窗口操作应用于xxx列,就像在Spark Streaming中具有一些窗口大小和滑动步骤的时间戳上的窗口操作一样.

在groupBy下面的with window函数中,lines表示窗口大小为2的流数据帧和滑动步骤:1.

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

所以,输出应该如下:

+------+---+-----+
|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  |
|...   |.. | ..  |

我试过使用partitionBy但Spark Structured Streaming不支持它.

我正在使用Spark Structured Streaming 2.3.1.

谢谢!

Answer 1

目前无法使用 Spark 结构化流以这种方式在非时间戳列上使用窗口。但是，您可以做的是将列转换xxx为时间戳列，执行groupBy和count，然后转换回来。

from_unixtime可用于将自 1970-01-01 以来的秒数转换为时间戳。使用该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，下一行会将其转换回原始数字。过滤器已完成，因为前两行将是一个窗口（即仅在具有equals 的[0,2]行上），但可以跳过。xxx1

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|
+------+---+-----+