非时间戳列上的 Spark 结构化流窗口

我收到以下形式的数据流：

+--+---------+---+----+
|id|timestamp|val|xxx |
+--+---------+---+----+
|1 |12:15:25 | 50| 1  |
|2 |12:15:25 | 30| 1  |
|3 |12:15:26 | 30| 2  |
|4 |12:15:27 | 50| 2  |
|5 |12:15:27 | 30| 3  |
|6 |12:15:27 | 60| 4  |
|7 |12:15:28 | 50| 5  |
|8 |12:15:30 | 60| 5  |
|9 |12:15:31 | 30| 6  |
|. |...      |...|... |

我有兴趣将窗口操作应用于xxx列就像 Spark Streaming 中对时间戳的窗口操作一样，具有一定的窗口大小和滑动步长。

让在groupBy下面有窗口函数，lines表示窗口大小为 2、滑动步长为 1 的流数据帧。

val c_windowed_count = lines.groupBy(
  window($"xxx", "2", "1"), $"val").count().orderBy("xxx")

因此，输出应如下所示：

+------+---+-----+
|window|val|count|
+------+---+-----+
|[1, 3]|50 |  2  |
|[1, 3]|30 |  2  |
|[2, 4]|30 |  2  |
|[2, 4]|50 |  1  |
|[3, 5]|30 |  1  |
|[3, 5]|60 |  1  |
|[4, 6]|60 |  2  |
|[4, 6]|50 |  1  |
|...   |.. | ..  |

我尝试使用partitionBy但 Spark 结构化流不支持它。

我正在使用 Spark 结构化流2.3.1。

Thanks!

目前无法使用 Spark 结构化流以这种方式在非时间戳列上使用窗口。然而，你能做的是转换xxx列到时间戳列，做groupBy and count，然后再变换回来。

from_unixtime可用于将自 1970-01-01 以来的秒数转换为时间戳。使用xxx列为秒，可以创建一个假时间戳在窗口中使用：

lines.groupBy(window(from_unixtime($"xxx"), "2 seconds", "1 seconds"), $"val").count()
  .withColumn("window", struct(unix_timestamp($"window.start"), unix_timestamp($"window.end")).as("window"))
  .filter($"window.col1" =!= 0)
  .orderBy($"window.col1")

上面，分组是在转换后的时间戳上完成的，下一行会将其转换回原始数字。过滤器已完成，因为前两行将是一个窗口[0,2]（即仅在具有xxx equals 1）但可以跳过。

上述输入的结果输出：

+------+---+-----+
|window|val|count|
+------+---+-----+
| [1,3]| 50|    2|
| [1,3]| 30|    2|
| [2,4]| 30|    2|
| [2,4]| 50|    1|
| [3,5]| 30|    1|
| [3,5]| 60|    1|
| [4,6]| 60|    2|
| [4,6]| 50|    1|
| [5,7]| 30|    1|
| [5,7]| 60|    1|
| [5,7]| 50|    1|
| [6,8]| 30|    1|
+------+---+-----+