Question

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，给定记录需要两个时间戳记

一个是eventtimestamp-从源创建记录的时间戳。
另一个是传输时间戳-来自负责传输数据的中间过程的时间戳。

在中间阶段引入重复项，因此对于给定的记录重复项，eventtimestamp相同，但是传输时间戳不同。

对于水印，我喜欢使用transfertimestamp，因为我知道重复的间隔不能超过3分钟。但是我不能在dropDuplicate中使用它，因为它会捕获重复项，因为重复项具有不同的传输时间戳。

这里是一个例子，

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，副本是在原始事件发生3分钟后的传输过程中创建的

我的代码如下所示，

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

上面的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。但是目前，这是唯一的方法，因为设置水印后，Spark会迫使我在dropDuplicates函数中包括水印列。

我真的很希望看到如下所示的dropDuplicate实现，这对于任何至少一次语义流都是有效的情况，在这种情况下，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。但是目前情况并非如此

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

我不能使用eventtimestamp，因为它没有顺序并且时间范围发生了很大变化（延迟事件和垃圾事件）。

如果在这种情况下有人对重复数据删除有其他解决方案或想法，请告诉我。

Answer 1

spark中的水印仅对有状态操作有效或受尊敬。您编写的是一个无状态操作，其中水印被忽略或用作删除重复项的组合键

Answer 2

对于您的用例，您不能直接使用dropDuplicates API。您必须使用一些Spark API（例如flatmapgroupwithstate

）对它进行任意状态操作

Spark结构化流-dropDuplicates与水印替代解决方案

2 个答案: