如何在结构化流中使 dropDuplicates 的状态过期以避免 OOM？答案

【问题标题】：How to expire state of dropDuplicates in structured streaming to avoid OOM?如何在结构化流中使 dropDuplicates 的状态过期以避免 OOM？
【发布时间】：2018-01-10 11:19:45
【问题描述】：

我想使用 spark 结构化流计算每天的唯一访问权限，所以我使用以下代码

.dropDuplicates("uuid")

并且在第二天，今天维护的状态应该被删除，这样我就可以获得第二天唯一访问的正确计数并避免 OOM。 spark文档指示使用带有水印的dropDuplicates，例如：

.withWatermark("timestamp", "1 day")
.dropDuplicates("uuid", "timestamp")

但必须在 dropDuplicates 中指定水印列。在这种情况下，uuid 和时间戳将用作组合键，以对具有相同 uuid 和时间戳的元素进行重复数据删除，这不是我所期望的。

那么有完美的解决方案吗？

【问题讨论】：

标签： apache-spark duplicates apache-spark-sql out-of-memory spark-structured-streaming

【解决方案1】：

我发现window函数不起作用所以我选择使用window.start或window.end。

.select(
   window($"timestamp", "1 day").start,
   $"timestamp",
   $"uuid"
)
.withWatermark("window", "1 day")
.dropDuplicates("uuid", "window")

【讨论】：

【解决方案2】：

以下是对 Spark 文档中提出的程序的修改。技巧是操纵事件时间，即将事件时间放入桶。假设事件时间以毫秒为单位。

// removes all duplicates that are in 15 minutes tumbling window.
// doesn't remove duplicates that are in different 15 minutes windows !!!!
public static Dataset<Row> removeDuplicates(Dataset<Row> df) {
    // converts time in 15 minute buckets
    // timestamp - (timestamp % (15 * 60))
    Column bucketCol = functions.to_timestamp(
            col("event_time").divide(1000).minus((col("event_time").divide(1000)).mod(15*60)));
    df = df.withColumn("bucket", bucketCol);

    String windowDuration = "15 minutes";
    df = df.withWatermark("bucket", windowDuration)
            .dropDuplicates("uuid", "bucket");

    return df.drop("bucket");
}

【讨论】：

【解决方案3】：

经过几天的努力，我终于找到了自己的路。

在研究watermark和dropDuplicates的源码时，发现watermark除了eventTime列外，还支持window列，所以我们可以使用如下代码：

.select(
    window($"timestamp", "1 day"),
    $"timestamp",
    $"uuid"
  )
.withWatermark("window", "1 day")
.dropDuplicates("uuid", "window")

由于同一天的所有事件都具有相同的窗口，因此这将产生与仅使用 uuid 进行重复数据删除相同的结果。希望可以帮助某人。

【讨论】：