Spark Structured Streaming groupby 窗口 - 我希望第一个间隔从第一个时间戳开始

Question

通过在 Spark 2.31 (HDP 3.0) 上使用窗口聚合的简单完整示例，我可以看到 Spark 创建的间隔与某个整数对齐。比如这里我指定了 60 秒的 windowDuration，Spark 在最近的一分钟开始第一个时间间隔：

>>> from pyspark.sql import functions as F
>>> df = spark.createDataFrame([("2016-03-11 09:00:07", 1),("2016-03-11 09:00:08", 1)]).toDF("date", "val")
>>> w = df.groupBy(F.window("date", "60 seconds")).agg(F.sum("val").alias("sum"))
>>> w.select(w.window.start.cast("string").alias("start"),w.window.end.cast("string").alias("end"), "sum").collect()
[Row(start='2016-03-11 09:00:00', end='2016-03-11 09:01:00', sum=2)]

有没有办法从第一条消息开始间隔，即在我的情况下，我想要：

[Row(start='2016-03-11 09:00:07', end='2016-03-11 09:01:07', sum=2)]

Answer 1

给你=>

from pyspark.sql import functions as F
from datetime import datetime

df = spark.createDataFrame([("2016-03-11 09:00:07", 1),("2016-03-11 09:00:08", 1)]).toDF("date", "val")

startSecond = datetime.strptime(df.head()[0], '%Y-%m-%d %H:%M:%S').second

w = df.groupBy(F.window("date", "60 seconds", "60 seconds", str(startSecond) + " seconds")).agg(F.sum("val").alias("sum"))

w.select(w.window.start.cast("string").alias("start"),w.window.end.cast("string").alias("end"), "sum").collect()