Spark SQL 窗口超过两个指定时间边界之间的间隔 - 3 小时到 2 小时前

Question

使用两个预定义的边界在 Spark SQL 中指定窗口间隔的正确方法是什么？

我正在尝试在“3 小时前到 2 小时前”的窗口中汇总表中的值。

当我运行这个查询时：

select *, sum(value) over (
partition by a, b
order by cast(time_value as timestamp)
range between interval 2 hours preceding and current row
) as sum_value
from my_temp_table;

这行得通。我得到了我期望的结果，即落在 2 小时滚动窗口内的值的总和。

现在，我需要的是让滚动窗口不绑定到当前行，而是考虑 3 小时前和 2 小时前之间的行。 我试过了：

select *, sum(value) over (
partition by a, b
order by cast(time_value as timestamp)
range between interval 3 hours preceding and 2 hours preceding
) as sum_value
from my_temp_table;

但我收到extraneous input 'hours' expecting {'PRECEDING', 'FOLLOWING'} 错误。

我也试过了：

select *, sum(value) over (
partition by a, b
order by cast(time_value as timestamp)
range between interval 3 hours preceding and interval 2 hours preceding
) as sum_value
from my_temp_table;

然后我得到不同的错误scala.MatchError: CalendarIntervalType (of class org.apache.spark.sql.types.CalendarIntervalType$)

我尝试的第三个选项是：

select *, sum(value) over (
partition by a, b
order by cast(time_value as timestamp)
range between interval 3 hours preceding and 2 preceding
) as sum_value
from my_temp_table;

它并没有像我们预期的那样工作：cannot resolve 'RANGE BETWEEN interval 3 hours PRECEDING AND 2 PRECEDING' due to data type mismatch

我很难找到间隔类型的文档，因为this link 说得不够多，其他信息也有点半生不熟。至少我发现了什么。

Answer 1

获得相同结果的解决方法是计算过去 3 小时内的值的总和，然后减去过去 2 小时内的值的总和：

select *, 
sum(value) over (
     partition by a, b
     order by cast(time_value as timestamp)
     range between interval 3 hours preceding and current row) 
- 
sum(value) over (
     partition by a, b
     order by cast(time_value as timestamp)
     range between interval 2 hours preceding and current row) 
as sum_value
from my_temp_table;

Answer 2

遇到了同样的问题，找到了一个简单的解决方案。给你：

unix_timestamp(datestamp) - unix_timestamp(datestamp) < 10800 --3 hours in seconds 

您也可以使用时间戳来提高可读性。 （想知道是否需要）：

select unix_timestamp(date_format(current_timestamp, 'HH:mm:ss'), 'HH:mm:ss') <
       unix_timestamp('03:00:00', 'HH:mm:ss') --Used timestamp for readibility

Answer 3

由于范围间隔不起作用，我不得不转向另一种方法。 它是这样的：

• 准备需要执行计算的区间列表
• 对于每个间隔，运行计算
  • 每次迭代都会产生一个数据框
• 迭代后，我们有一个数据帧列表
• 将列表中的数据框合并为一个更大的数据框
• 写出结果

就我而言，我必须在一天中的每个小时运行计算并将这些“每小时”结果（即 24 个数据帧的列表）组合成一个“每日”数据帧。

从非常高级的角度来看，代码如下所示：

val hourlyDFs = for ((hourStart, hourEnd) <- (hoursToStart, hoursToEnd).zipped) yield {
    val data = data.where($"hour" <= lit(hourEnd) && $"hour" >= lit(hourStart))
    // do stuff
    // return a data frame
}
hourlyDFs.toSeq().reduce(_.union(_))