使用 Apache Spark 进行更改数据捕获
Posted
技术标签:
【中文标题】使用 Apache Spark 进行更改数据捕获【英文标题】:Change Data Capture using Apache Spark 【发布时间】:2019-09-29 10:48:38 【问题描述】:使用 Apache Spark 解决问题的最佳方法是什么?
我的数据集如下-
ID, DATE, TIME, VALUE
001,2019-01-01, 0010, 150
001,2019-01-01, 0020, 150
001,2019-01-01, 0030, 160
001,2019-01-01, 0040, 160
001,2019-01-01, 0050, 150
002,2019-01-01, 0010, 151
002,2019-01-01, 0020, 151
002,2019-01-01, 0030, 161
002,2019-01-01, 0040, 162
002,2019-01-01, 0051, 152
当每个 ID 的“VALUE”发生更改时,我需要保留这些行。
我的预期输出-
ID, DATE, TIME, VALUE
001,2019-01-01, 0010, 150
001,2019-01-01, 0030, 160
001,2019-01-01, 0050, 150
002,2019-01-01, 0010, 151
002,2019-01-01, 0030, 161
002,2019-01-01, 0040, 162
002,2019-01-01, 0051, 152
【问题讨论】:
聚合到id和values,根据时间选择第一个。 【参考方案1】:您可以在窗口中使用lag
函数:
val df = Seq(
("001", "2019-01-01", "0010", "150"),
("001", "2019-01-01", "0020", "150"),
("001", "2019-01-01", "0030", "160"),
("001", "2019-01-01", "0040", "160"),
("001", "2019-01-01", "0050", "150"),
("002", "2019-01-01", "0010", "151"),
("002", "2019-01-01", "0020", "151"),
("002", "2019-01-01", "0030", "161"),
("002", "2019-01-01", "0040", "162"),
("002", "2019-01-01", "0051", "152")
).toDF("ID", "DATE", "TIME", "VALUE")
df
.withColumn("change",coalesce($"VALUE"=!=lag($"VALUE",1).over(Window.partitionBy($"ID").orderBy($"TIME")),lit(true)))
.where($"change")
//.drop($"change")
.show()
给予:
+---+----------+----+-----+------+
| ID| DATE|TIME|VALUE|change|
+---+----------+----+-----+------+
|001|2019-01-01|0010| 150| true|
|001|2019-01-01|0030| 160| true|
|001|2019-01-01|0050| 150| true|
|002|2019-01-01|0010| 151| true|
|002|2019-01-01|0030| 161| true|
|002|2019-01-01|0040| 162| true|
|002|2019-01-01|0051| 152| true|
+---+----------+----+-----+------+
【讨论】:
以上是关于使用 Apache Spark 进行更改数据捕获的主要内容,如果未能解决你的问题,请参考以下文章
如何使延迟加载 Apache Spark Dataframe 连接到 REST API