Spark：根据前几行中的开始时间和持续时间值以 30 分钟为间隔计算事件结束时间

Question

我有一个带有 event_time 字段的文件，每条记录每 30 分钟生成一次，并指示事件持续了多少秒。 示例：

Event_time | event_duration_seconds
09:00      | 800
09:30      | 1800
10:00      | 2700
12:00      | 1000
13:00      | 1000

我需要将连续事件转换为仅具有持续时间的事件。输出文件应如下所示：

Event_time_start | event_time_end | event_duration_seconds
09:00            | 11:00          | 5300
12:00            | 12:30          | 1000
13:00            | 13:30          | 1000

Scala Spark 中是否有一种方法可以将数据帧记录与下一个记录进行比较？

我尝试使用foreach 循环，但不是一个好的选择，因为它需要处理大量数据

Answer 1

不是一个小问题，但这里有一个解决方案，步骤如下：

1. 使用java.time API 创建一个 UDF 以计算下一个最近的 30 分钟事件结束时间 event_ts_end
2. 使用窗口函数lag 获取上一行的事件时间
3. 如果与前一行的事件时间差为 30 分钟，则使用 when/otherwise 生成具有 null 值的列 event_ts_start
4. 使用 Window 函数 last(event_ts_start, ignoreNulls=true) 用最后一个 event_ts_start 值回填 nulls
5. 按event_ts_start 对数据进行分组以聚合event_duration 和event_ts_end

首先，让我们组装一个示例数据集：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window
import spark.implicits._

val df = Seq(
  (101, "2019-04-01 09:00", 800),
  (101, "2019-04-01 09:30", 1800),
  (101, "2019-04-01 10:00", 2700),
  (101, "2019-04-01 12:00", 1000),
  (101, "2019-04-01 13:00", 1000),
  (220, "2019-04-02 10:00", 1500),
  (220, "2019-04-02 10:30", 2400)
).toDF("event_id", "event_time", "event_duration")

请注意，示例数据集已略微概括为包含多个事件，并使事件时间包含 date 信息以涵盖跨给定日期的事件的情况。

步骤1：

import java.sql.Timestamp

def get_next_closest(seconds: Int) = udf{ (ts: Timestamp, duration: Int) =>
  import java.time.LocalDateTime
  import java.time.format.DateTimeFormatter

  val iter = Iterator.iterate(ts.toLocalDateTime)(_.plusSeconds(seconds)).
    dropWhile(_.isBefore(ts.toLocalDateTime.plusSeconds(duration)))

  iter.next.format(DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss"))
}

步骤2 - 5：

val winSpec = Window.partitionBy("event_id").orderBy("event_time")

val seconds = 30 * 60

df.
  withColumn("event_ts", to_timestamp($"event_time", "yyyy-MM-dd HH:mm")).
  withColumn("event_ts_end", get_next_closest(seconds)($"event_ts", $"event_duration")).
  withColumn("prev_event_ts", lag($"event_ts", 1).over(winSpec)).
  withColumn("event_ts_start",  when($"prev_event_ts".isNull ||
    unix_timestamp($"event_ts") - unix_timestamp($"prev_event_ts") =!= seconds, $"event_ts"
  )).
  withColumn("event_ts_start", last($"event_ts_start", ignoreNulls=true).over(winSpec)).
  groupBy($"event_id", $"event_ts_start").agg(
    sum($"event_duration").as("event_duration"), max($"event_ts_end").as("event_ts_end")
  ).show
// +--------+-------------------+--------------+-------------------+
// |event_id|     event_ts_start|event_duration|       event_ts_end|
// +--------+-------------------+--------------+-------------------+
// |     101|2019-04-01 09:00:00|          5300|2019-04-01 11:00:00|
// |     101|2019-04-01 12:00:00|          1000|2019-04-01 12:30:00|
// |     101|2019-04-01 13:00:00|          1000|2019-04-01 13:30:00|
// |     220|2019-04-02 10:00:00|          3900|2019-04-02 11:30:00|
// +--------+-------------------+--------------+-------------------+