在数据融合中应用Rank或分区的row

问题描述

我想在Data Fusion中对我的数据实现rank或partitioned row_num函数，但找不到任何插件。

有什么办法吗？

我想实现以下内容，

假设我有上述数据，现在我想根据AccountNumber对数据进行分组，并将最新记录发送到一个接收器中，再将其发送给其他接收器。因此，根据以上数据，

Sink1应该具有

Sink2

我打算通过按AccountNumber应用rank或row_number分区，并按功能类似按Record_date desc进行排序，然后将rank = 1或row_num = 1的记录发送到一个接收器，然后将其发送给其他接收器。

解决方法

解决问题的一种好方法是使用Spark plugin。为了将其添加到您的Datafusion实例中，请转到 HUB->插件->搜索Spark->部署插件。然后，您可以在 Analytics 标签上找到它。

为了给您一个如何使用它的示例，我在下面创建了管道：

该管道基本上是：

从GCS读取文件。
在数据中执行排名功能
在不同分支中用rank = 1和rank> 1过滤数据
将数据保存在不同的位置

现在，让我们深入了解每个组件：

1- GCS ：这是一个简单的GCS来源。此示例使用的文件具有如下所示的数据

2- Spark_rank ：这是一个带有以下代码的Spark插件。该代码基本上使用您的数据创建了一个临时视图，并且它们应用查询对行进行排名。之后，您的数据返回到管道。在下面您还可以查看此步骤的输入和输出数据。请注意，由于输出被传递到两个分支，因此输出是重复的。

      def transform(df: DataFrame,context: SparkExecutionPluginContext) : DataFrame = {
          df.createTempView("source")
          df.sparkSession.sql("SELECT AccountNumber,Address,Record_date,RANK() OVER (PARTITION BY accountNumber ORDER BY record_date DESC) as rank FROM source")
    }

3- Spark2 和 Spark3 ：像下面的步骤一样，此步骤使用Spark插件转换数据。使用以下代码，Spark2仅获取等级= 1的数据

    def transform(df: DataFrame,context: SparkExecutionPluginContext) : DataFrame = {
      df.createTempView("source_0")
      df.sparkSession.sql("SELECT AccountNumber,Record_date FROM 
    source_0 WHERE rank = 1")
    }

Spark3使用以下代码获取等级> 1的数据：

    def transform(df: DataFrame,context: SparkExecutionPluginContext) : DataFrame = {
      df.createTempView("source_1")
      df.sparkSession.sql("SELECT accountNumber,address,record_date FROM source_1 WHERE rank > 1")
    }

4- GCS2 和 GCS3 ：最后，在此步骤中，您的数据再次保存到GCS中。

cdap google-cloud-data-fusion

在数据融合中应用Rank或分区的row_num函数

问题描述

解决方法