如何使结构化流中的 dropDuplicates 状态过期以避免 OOM？

Question

我想使用spark structured streaming来统计每天的唯一访问量，所以我使用了下面的代码

.dropDuplicates("uuid")

并且在第二天应该删除为今天维护的状态，以便我可以获得第二天的唯一访问的正确计数并避免 OOM。 spark文档说明使用带水印的dropDuplicates，例如：

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

但水印列必须在dropDuplicates中指定。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？

Answer 1

经过几天的努力终于自己摸索出来了

在研究watermark和dropDuplicates的源码时，发现watermark除了一个eventTime列外，还支持window 列，因此我们可以使用以下代码：

.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 window，这将产生与仅使用 uuid 去重相同的结果。希望能对某人有所帮助。

Answer 2

下面是对Spark文档中提出的程序的修改。技巧是操纵事件时间，即将事件时间放入水桶。假设事件时间以毫秒为单位提供。

// 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");
}

Answer 3

我发现 window 功能不起作用，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")

如何使结构化流中的 dropDuplicates 状态过期以避免 OOM？

How to expire state of dropDuplicates in structured streaming to avoid OOM?

out-of-memory

duplicates

apache-spark

apache-spark-sql

spark-structured-streaming