我必须处理一些每天收到的文件。该信息具有主键(日期,client_id,operation_id)。因此,我创建了一个Stream,仅将新数据附加到增量表中:
operations\
.repartition('date')\
.writeStream\
.outputMode('append')\
.trigger(once=True)\
.option("checkpointLocation", "/mnt/sandbox/operations/_chk")\
.format('delta')\
.partitionBy('date')\
.start('/mnt/sandbox/operations')
这工作正常,但是我需要总结按(date,client_id)分组的信息,因此我创建了另一个从此操作表到新表的流。因此,我尝试将date
字段转换为时间戳,以便在编写聚合流时可以使用附加模式:
import pyspark.sql.functions as F
summarized= spark.readStream.format('delta').load('/mnt/sandbox/operations')
summarized= summarized.withColumn('timestamp_date',F.to_timestamp('date'))
summarized= summarized.withWatermark('timestamp_date','1 second').groupBy('client_id','date','timestamp_date').agg(<lot of aggs>)
summarized\
.repartition('date')\
.writeStream\
.outputMode('append')\
.option("checkpointLocation", "/mnt/sandbox/summarized/_chk")\
.trigger(once=True)\
.format('delta')\
.partitionBy('date')\
.start('/mnt/sandbox/summarized')
此代码可以运行,但不会在接收器中写入任何内容。
为什么不将结果写入接收器?
答案 0 :(得分:0)
这里可能有两个问题。
我很确定问题是F.to_timestamp('date')
会由于输入格式错误而产生null
。
如果是这样,withWatermark('timestamp_date','1 second')
永远不会“物化”,并且不会触发任何输出。
您能spark.read.format('delta').load('/mnt/sandbox/operations')
(到read
而不是readStream
)看看转换是否给出正确的值吗?
spark.\
read.\
format('delta').\
load('/mnt/sandbox/operations').\
withColumn('timestamp_date',F.to_timestamp('date')).\
show
withWatermark('timestamp_date','1 second')
也有可能没有完成(因此“完成”了一个聚合),因为所有行都来自同一时间戳,因此时间不会提前。
您应该具有不同时间戳的行,以便每个timestamp_date的时间概念可以超过'1 second'
延迟窗口。