Spark 结构化流 - 带有水印替代解决方案的 dropDuplicates

Posted 2023-03-08

【中文标题】Spark 结构化流 - 带有水印替代解决方案的 dropDuplicates

【英文标题】：Spark Structured streaming - dropDuplicates with watermark alternate solution

【发布时间】：2018-12-04 22:50:45

【问题描述】：

我正在尝试使用带有水印的 dropDuplicate 函数对流数据进行重复数据删除。我目前面临的问题是我必须为给定记录设置两个时间戳

一个是 eventtimestamp - 从源创建记录的时间戳。 另一个是传输时间戳 - 来自负责流式传输数据的中间进程的时间戳。

重复是在中间阶段引入的，因此对于给定的记录重复，事件时间戳相同但传输时间戳不同。

对于水印，我喜欢使用传输时间戳，因为我知道在传输中重复出现的间隔不会超过 3 分钟。但我不能在 dropDuplicate 中使用它，因为它不会捕获重复项，因为重复项具有不同的传输时间戳。

这是一个例子，

Event 1: "EventString":"example1", "Eventtimestamp": "2018-11-29T10:00:00.00", "TransferTimestamp": "2018-11-29T10:05:00.00" 
Event 2 (duplicate): "EventString":"example1", "Eventtimestamp": "2018-11-29T10:00:00.00", "TransferTimestamp": "2018-11-29T10:08:00.00"

在这种情况下，副本是在原始事件 3 分钟后的传输过程中创建的

我的代码如下，

streamDataset.
.withWatermark("transferTimestamp", "4 minutes")
.dropDuplicates("eventstring","transferTimestamp");

上述代码不会删除重复项，因为 transferTimestamp 对于事件及其重复项是唯一的。但目前，这是 Spark 强制我在设置 watermark 时将 watermark 列包含在 dropDuplicates 函数中的唯一方法。

我真的很想看到一个像下面这样的 dropDuplicate 实现，这对于任何至少一次语义流来说都是一个有效的情况，我不必在 dropDuplicates 中使用水印字段，并且仍然尊重基于水印的状态驱逐。但目前情况并非如此

streamDataset.
.withWatermark("transferTimestamp", "4 minutes")
.dropDuplicates("eventstring");

我无法使用 eventtimestamp，因为它没有顺序，而且时间范围变化很​​大（延迟事件和垃圾事件）。

如果有人对这种情况下的重复数据删除有其他解决方案或想法，请告诉我。

【参考方案1】：

对于您的用例，您不能直接使用 dropDuplicates API。您必须使用诸如 flatmapgroupwithstate 之类的 spark API 来使用任意有状态操作