![](/img/trans.png)
[英]Left outer join not emitting null values when joining two streams in spark structured streaming 2.3.0
[英]Outer join two Datasets (not DataFrames) in Spark Structured Streaming
我有一些代碼將兩個流數據DataFrames
連接DataFrames
並輸出到控制台。
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()
我現在想要的是重構這部分以使用Datasets
,這樣我就可以進行一些compile-time
檢查。
所以我嘗試的非常簡單:
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,這會產生以下錯誤:
org.apache.spark.sql.AnalysisException:不支持兩個流數據幀/數據集之間的流外連接,如果連接鍵中沒有水印,或者可空端沒有水印和適當的范圍條件;;
可以看到, join
代碼沒有改變,所以兩邊都有水印和范圍條件。 唯一的變化是使用Dataset
API 而不是DataFrame
。
另外,當我使用內join
時也很好:
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()
有誰知道這怎么會發生?
好吧,當你使用joinWith
方法而不是join
你依賴於不同的實現,看起來這個實現不支持leftOuter join用於流式數據集。
您可以使用官方文檔的水印部分檢查外部聯接 。 方法join
不使用joinWith
。 請注意,結果類型將是DataFrame
。 這意味着您很可能必須手動映射字段
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]
如果您在這里了解為什么會出現此異常
org.apache.spark.sql.AnalysisException: Stream-stream outer join between two streaming DataFrame/Datasets is not supported without a watermark in the join keys, or a watermark on the nullable side and an appropriate range condition;;
當您將水印引入連接並且 Spark 3 已經支持流連接時仍然存在,您可能在連接后添加了水印,但 Spark 希望您在每個流的連接之前添加水印!
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.