[英]How to calculate lag difference in Spark Structured Streaming?
我正在编写一个 Spark Structured Streaming 程序。 我需要创建一个具有滞后差异的附加列。
为了重现我的问题,我提供了代码片段。 此代码使用存储在data
文件夹中的data.json
文件:
[
{"id": 77,"type": "person","timestamp": 1532609003},
{"id": 77,"type": "person","timestamp": 1532609005},
{"id": 78,"type": "crane","timestamp": 1532609005}
]
代码:
from pyspark.sql import SparkSession
import pyspark.sql.functions as func
from pyspark.sql.window import Window
from pyspark.sql.types import *
spark = SparkSession \
.builder \
.appName("Test") \
.master("local[2]") \
.getOrCreate()
schema = StructType([
StructField("id", IntegerType()),
StructField("type", StringType()),
StructField("timestamp", LongType())
])
ds = spark \
.readStream \
.format("json") \
.schema(schema) \
.load("data/")
diff_window = Window.partitionBy("id").orderBy("timestamp")
ds = ds.withColumn("prev_timestamp", func.lag(ds.timestamp).over(diff_window))
query = ds \
.writeStream \
.format('console') \
.start()
query.awaitTermination()
我收到此错误:
pyspark.sql.utils.AnalysisException:流式数据帧/数据集不支持 u'基于时间的窗口;\\nWindow [lag(timestamp#71L, 1, null) windowspecdefinition(host_id#68, timestamp#71L ASC NULLS首先,在 1 个前面和 1 个前面之间的行)作为 prev_timestamp#129L]
pyspark.sql.utils.AnalysisException:流式数据帧/数据集不支持 u'Non-time-based windows
这意味着您的窗口应该基于timestamp
列。 因此,如果您每秒有一个数据点,并且您制作了一个30s
stride
为10s
的窗口,则结果窗口将创建一个新的window
列,其中start
和end
列将包含相差30s
时间戳。
您应该以这种方式使用窗口:
words = words.withColumn('date_time', F.col('date_time').cast('timestamp'))
w = F.window('date_time', '30 seconds', '10 seconds')
words = words \
.withWatermark('date_format', '1 minutes') \
.groupBy(w).agg(F.mean('value'))
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.