如何使結構化流中的dropDuplicates狀態到期以避免OOM？

Question

我想使用spark結構流來計算每天的唯一訪問權限，因此我使用以下代碼

.dropDuplicates("uuid")

並且在第二天應該放棄今天維持的狀態，以便我可以獲得第二天的唯一訪問權限並避免OOM。 spark文件表示使用帶水印的dropDuplicates，例如：

.withWatermark("timestamp", "1 day")
.dropDuplicates("uuid", "timestamp")

但必須在dropDuplicates中指定水印列。 在這種情況下，uuid和timestamp將被用作組合鍵，以使用相同的uuid和timestamp對元素進行重復數據刪除，這不是我所期望的。

那么有一個完美的解決方案嗎？

Answer 1

經過幾天的努力，我終於找到了自己的方式。

在研究水印和dropDuplicates的源代碼時，我發現除了eventTime列之外，水印還支持window列，因此我們可以使用以下代碼：

.select(
    window($"timestamp", "1 day"),
    $"timestamp",
    $"uuid"
  )
.withWatermark("window", "1 day")
.dropDuplicates("uuid", "window")

由於同一天的所有事件都具有相同的窗口，因此這將產生與僅使用uuid進行重復數據刪除相同的結果。 希望可以幫助某人。

Answer 2

以下是Spark文檔中提出的過程的修改。 訣竅是操縱事件時間，即將事件時間放入桶中。 假設事件時間以毫秒為單位。

// removes all duplicates that are in 15 minutes tumbling window.
// doesn't remove duplicates that are in different 15 minutes windows !!!!
public static Dataset<Row> removeDuplicates(Dataset<Row> df) {
    // converts time in 15 minute buckets
    // timestamp - (timestamp % (15 * 60))
    Column bucketCol = functions.to_timestamp(
            col("event_time").divide(1000).minus((col("event_time").divide(1000)).mod(15*60)));
    df = df.withColumn("bucket", bucketCol);

    String windowDuration = "15 minutes";
    df = df.withWatermark("bucket", windowDuration)
            .dropDuplicates("uuid", "bucket");

    return df.drop("bucket");
}

Answer 3

我發現窗口功能不起作用所以我選擇使用window.start或window.end。

.select(
   window($"timestamp", "1 day").start,
   $"timestamp",
   $"uuid"
)
.withWatermark("window", "1 day")
.dropDuplicates("uuid", "window")