clusterBy (DataStreamWriter)

Grupperar utdata från de angivna kolumnerna. Poster med liknande värden i klustringskolumnerna grupperas tillsammans i samma fil. Klustring förbättrar frågeeffektiviteten genom att tillåta att frågor med predikat i klustringskolumnerna hoppar över onödiga data. Till skillnad från partitionering kan klustring användas på kolumner med hög kardinalitet.

Syntax

clusterBy(*cols)

Parameters

Retur

DataStreamWriter

Exempel

df = spark.readStream.format("rate").load()
df.writeStream.clusterBy("value")
# <...streaming.readwriter.DataStreamWriter object ...>

Klustra en frekvenskällström efter tidsstämpel och skriv till Parquet:

import tempfile
import time
with tempfile.TemporaryDirectory(prefix="clusterBy1") as d:
    with tempfile.TemporaryDirectory(prefix="clusterBy2") as cp:
        df = spark.readStream.format("rate").option("rowsPerSecond", 10).load()
        q = df.writeStream.clusterBy(
            "timestamp").format("parquet").option("checkpointLocation", cp).start(d)
        time.sleep(5)
        q.stop()
        spark.read.schema(df.schema).parquet(d).show()