【发布时间】：2018-12-04 22:50:45
【问题描述】：
我正在尝试使用带有水印的 dropDuplicate 函数对流数据进行重复数据删除。我目前面临的问题是我必须为给定记录设置两个时间戳
- 一个是 eventtimestamp - 从源创建记录的时间戳。
- 另一个是传输时间戳 - 来自负责流式传输数据的中间进程的时间戳。
重复是在中间阶段引入的，因此对于给定的记录重复，事件时间戳相同但传输时间戳不同。
对于水印，我喜欢使用传输时间戳，因为我知道在传输中重复出现的间隔不会超过 3 分钟。但我不能在 dropDuplicate 中使用它，因为它不会捕获重复项，因为重复项具有不同的传输时间戳。
这是一个例子，
Event 1:{ "EventString":"example1", "Eventtimestamp": "2018-11-29T10:00:00.00", "TransferTimestamp": "2018-11-29T10:05:00.00" }
Event 2 (duplicate): {"EventString":"example1", "Eventtimestamp": "2018-11-29T10:00:00.00", "TransferTimestamp": "2018-11-29T10:08:00.00"}
在这种情况下，副本是在原始事件 3 分钟后的传输过程中创建的
我的代码如下，
streamDataset.
.withWatermark("transferTimestamp", "4 minutes")
.dropDuplicates("eventstring","transferTimestamp");
上述代码不会删除重复项，因为 transferTimestamp 对于事件及其重复项是唯一的。但目前，这是 Spark 强制我在设置 watermark 时将 watermark 列包含在 dropDuplicates 函数中的唯一方法。
我真的很想看到一个像下面这样的 dropDuplicate 实现，这对于任何至少一次语义流来说都是一个有效的情况，我不必在 dropDuplicates 中使用水印字段，并且仍然尊重基于水印的状态驱逐。但目前情况并非如此
streamDataset.
.withWatermark("transferTimestamp", "4 minutes")
.dropDuplicates("eventstring");
我无法使用 eventtimestamp，因为它没有顺序，而且时间范围变化很大（延迟事件和垃圾事件）。
如果有人对这种情况下的重复数据删除有其他解决方案或想法，请告诉我。
【问题讨论】：
标签： spark-structured-streaming