如何计算Spark结构化流中的滞后差？

我正在编写 Spark 结构化流程序。我需要创建一个具有滞后差的附加列。

为了重现我的问题，我提供了代码片段。这段代码消耗data.json文件存储在data folder:

[
  {"id": 77,"type": "person","timestamp": 1532609003},
  {"id": 77,"type": "person","timestamp": 1532609005},
  {"id": 78,"type": "crane","timestamp": 1532609005}
]

Code:

from pyspark.sql import SparkSession
import pyspark.sql.functions as func
from pyspark.sql.window import Window
from pyspark.sql.types import *

spark = SparkSession \
    .builder \
    .appName("Test") \
    .master("local[2]") \
    .getOrCreate()

schema = StructType([
    StructField("id", IntegerType()),
    StructField("type", StringType()),
    StructField("timestamp", LongType())
])

ds = spark \
    .readStream \
    .format("json") \
    .schema(schema) \
    .load("data/")

diff_window = Window.partitionBy("id").orderBy("timestamp")
ds = ds.withColumn("prev_timestamp", func.lag(ds.timestamp).over(diff_window))

query = ds \
    .writeStream \
    .format('console') \
    .start()

query.awaitTermination()

我收到此错误：

pyspark.sql.utils.AnalysisException：u'非基于时间的窗口不是 支持流数据帧/数据集；;\nWindow [lag(timestamp#71L, 1, null) windowspecdefinition(host_id#68, timestamp#71L ASC 首先为空，前 1 行和 1 之间的行 前）AS prev_timestamp#129L]

pyspark.sql.utils.AnalysisException：u'流数据帧/数据集不支持基于时间的窗口

这意味着您的窗口应该基于timestamp柱子。所以如果你每秒都有一个数据点，然后你做一个30s窗口有一个stride of 10s，您生成的窗口将创建一个新的window列，与start and end包含时间戳差异的列30s.

您应该以这种方式使用该窗口：

words = words.withColumn('date_time', F.col('date_time').cast('timestamp'))

w = F.window('date_time', '30 seconds', '10 seconds')
words = words \
   .withWatermark('date_format', '1 minutes') \
   .groupBy(w).agg(F.mean('value'))