Spark Structured Streaming 中的多重聚合和 Distinct 函数

Posted 2023-04-15

【中文标题】Spark Structured Streaming 中的多重聚合和 Distinct 函数

【英文标题】：Multiple aggregations and Distinct Function in Spark Structured Streaming

【发布时间】：2020-02-20 23:26:47

【问题描述】：

我需要对来自 Kafka 的流数据进行一些聚合，并每隔 M 秒将前 10 行结果输出到控制台。

    input_df = (
       spark
       .readStream
       .format("kafka")
       .option("kafka.bootstrap.servers", brokers)
       .option("subscribe", "page_views")
       .load()
       .selectExpr('cast(value as string)')
    )

    ...
    ...

    # info has 2 cols: domain, uid  (info = transformation of input_df)
    # It's an example of what I want to do (like in simple pyspark)
    stat = (
        info
        .groupby('domain')
        .agg(
             F.count(F.col('UID')).alias('view'),
             F.countDistinct(F.col('UID')).alias('unique')
        )
        .sort(F.col("view").desc())
        .limit(10)
    )

    query = (
        stat
        .writeStream
        .outputMode("complete")
        .format("console")
        .option("truncate", "true")
        .start()
    )

这个例子没有时间触发，但我可以自己做。 因为不允许使用countDistinct，所以我没有做练习的想法。 我尝试为每个聚合（df_1 =（域，视图），df_2 =（域，唯一））创建 2 个 dfs，然后将 df_1 与 df_2 连接，但也不允许有多个聚合。所以这对我来说是死胡同。 做出决定会很酷。

感谢您的关注！

【参考方案1】：

你可以通过flatMapGroupWithState来实现，它是任意状态函数。此外，它支持追加模式和更新模式。