如何以 CSV 格式编写窗口聚合？

Posted 2023-04-18

【中文标题】如何以 CSV 格式编写窗口聚合？

【英文标题】：How to write windowed aggregation in CSV format?

【发布时间】：2019-01-09 14:22:50

【问题描述】：

我正在开发一个 Spark Structured Streaming 应用程序，它可以流式传输 csv 文件并将它们与静态数据连接起来。加入后我做了一些聚合。

将查询结果以 CSV 格式写入 HDFS 时，出现以下错误：

19/01/09 14:00:30 ERROR MicroBatchExecution: Query [id = 830ca987-b55a-4c03-aa13-f71bc57e47ad, runId = 87cdb029-0022-4f1c-b55e-c2443c9f058a] terminated with error java.lang.UnsupportedOperationException: CSV data source does not support struct<start:timestamp,end:timestamp> data type.
    at org.apache.spark.sql.execution.datasources.csv.CSVUtils$.org$apache$spark$sql$execution$datasources$csv$CSVUtils$$verifyType$1(CSVUtils.scala:127)
    at org.apache.spark.sql.execution.datasources.csv.CSVUtils$$anonfun$verifySchema$1.apply(CSVUtils.scala:131)
    at org.apache.spark.sql.execution.datasources.csv.CSVUtils$$anonfun$verifySchema$1.apply(CSVUtils.scala:131)

根本原因可能是什么？

以下是我的代码的相关部分：

val spark = SparkSession
  .builder
  .enableHiveSupport()
  .config("hive.exec.dynamic.partition", "true")
  .config("hive.exec.dynamic.partition.mode", "nonstrict")
  .config("spark.sql.streaming.checkpointLocation", "/user/sas/sparkCheckpoint")
  .getOrCreate

...

val df_agg_without_time = sqlResultjoin
  .withWatermark("event_time", "10 seconds")
  .groupBy(
    window($"event_time", "10 seconds", "5 seconds"),
    $"section",
    $"timestamp")
  .agg(sum($"total") as "total")

...

finalTable_repo
  .writeStream
  .outputMode("append")
  .partitionBy("xml_data_dt")
  .format("csv")
  .trigger(Trigger.ProcessingTime("2 seconds"))
  .option("path", "hdfs://op/apps/hive/warehouse/area.db/finalTable_repo")
  .start

【问题讨论】：

这个blog 可能会对你有所帮助。该博客在您的案例中讨论了 JSON 与 CSV。

【参考方案1】：

您进行聚合.groupBy(window($"event_time", "10 seconds", "5 seconds"), $"section", $"timestamp") 的行创建了CSV 数据源不支持的struct<start:timestamp,end:timestamp> 数据类型。

只需df_agg_without_time.printSchema，您就会看到该列。

解决方案只是将其转换为其他更简单的类型（可能使用select 或withColumn）或直接将其转换为select（即不包含在以下数据框中）。

---

以下是一个示例批处理（非流式）结构化查询，它显示了您的流式结构化查询使用的架构（当您创建 df_agg_without_time 时）。

val q = spark
  .range(4)
  .withColumn("t", current_timestamp)
  .groupBy(window($"t", "10 seconds"))
  .count
scala> q.printSchema
root
 |-- window: struct (nullable = false)
 |    |-- start: timestamp (nullable = true)
 |    |-- end: timestamp (nullable = true)
 |-- count: long (nullable = false)

对于示例流式查询，您可以使用速率数据源。

val q = spark
  .readStream
  .format("rate")
  .load
  .groupBy(window($"timestamp", "10 seconds"))
  .count
scala> q.printSchema
root
 |-- window: struct (nullable = false)
 |    |-- start: timestamp (nullable = true)
 |    |-- end: timestamp (nullable = true)
 |-- count: long (nullable = false)