[jira] (SPARK-19067) mapWithState Style API

[Tathagata Das (JIRA)]

Title: Message Title

Tathagata Das updated an issue   Spark / SPARK-19067 mapWithState Style API Change By: Tathagata Das Right now the only way to do stateful operations with with Aggregator or UDAF.  However, this does not give users control of emission or expiration of state making it hard to implement things like sessionization.  We should add a more general construct (probably similar to {{DStream.mapWithState}}) to structured streaming. Here is the design.  *Requirements* - Users should be able to specify a function that can do the following - Access the input row corresponding to a key - Access the previous state corresponding to a key - Optionally, update or remove the state - Output any number of new rows (or none at all) *Proposed API* {code} // ------------ New methods on KeyValueGroupedDataset, does not include ------------ class KeyValueGroupedDataset[K, V] { // Scala friendly def mapGroupsWithState[S: Encoder, U: Encoder](func: (K, Iterator[V], State[S]) => U)         def flatMapGroupsWithState[S: Encode, U: Encoder](func: (K, Iterator[V], State[S]) => Iterator[U]) // Java friendly        def mapGroupsWithState[S, U](func: MapGroupsWithStateFunction[K, V, S, R], stateEncoder: Encoder[S], resultEncoder: Encoder[U])        def flatMapGroupsWithState[S, U](func: FlatMapGroupsWithStateFunction[K, V, S, R], stateEncoder: Encoder[S], resultEncoder: Encoder[U]) } // ------------------- New Java-friendly function classes -------------------  public interface MapGroupsWithStateFunction<K, V, S, R> extends Serializable {   R call(K key, Iterator<V> values, state: State<S>) throws Exception; } public interface FlatMapGroupsWithStateFunction<K, V, S, R> extends Serializable {   Iterator<R> call(K key, Iterator<V> values, state: State<S>) throws Exception; } // ---------------------- Wrapper class for state data ----------------------  trait State[S] { def exists(): Boolean      def get(): S  // throws Exception is state does not exist def getOption(): Option[S]        def update(newState: S): Unit def remove(): Unit // exists() will be false after this } {code} Key Semantics of the State class - The state can be null. - If the state.remove() is called, then state.exists() will return false, and getOption will returm None. - After that state.update(newState) is called, then state.exists() will return true, and getOption will return Some(...).  - None of the operations are thread-safe. This is to avoid memory barriers. *Usage* {code: language= scala} val stateFunc = (word: String, words: Iterator[String, runningCount: State[Long]) => {     val newCount = words.size + runningCount.getOption.getOrElse(0L)     runningCount.update(newCount)    (word, newCount) } dataset                         // type is Dataset[String]   .groupByKey[String](w => w)                         // generates KeyValueGroupedDataset[String, String]   .mapGroupsWithState[Long, (String, Long)](stateFunc) // returns Dataset[(String, Long)] {code} *Future Directions* - Timeout based state expiration (that has not received data for a while) - General _expression_ based expiration  Add Comment   This message was sent by Atlassian JIRA (v6.3.15#6346-sha1:dbc023d)