clusterBy (DataStreamWriter)

Raggruppa l'output in base alle colonne specificate. I record con valori simili nelle colonne di clustering vengono raggruppati nello stesso file. Il clustering migliora l'efficienza delle query consentendo alle query con predicati nelle colonne di clustering di ignorare i dati non necessari. A differenza del partizionamento, il clustering può essere usato in colonne a cardinalità elevata.

Sintassi

clusterBy(*cols)

Parametri

Restituzioni

DataStreamWriter

Examples

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

Cluster a Rate source stream by timestamp and write to 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()