Apache spark 跨多个批处理组合数据的有状态转换

对于spark数据流应用程序，我需要访问以前的批处理数据帧/RDD， 因此，为了更好地理解，我尝试重新创建一个玩具示例

用例：每5分钟获取一次字数，但当某个条件为真时，我应该能够获取最后30分钟的字数

在spark文档中，检查点功能描述如下

数据检查点-将生成的RDD保存到可靠的存储中。 这在一些组合数据的有状态转换中是必要的 跨多个批次。在这种转换中，生成的RDD 取决于以前批次的RDD，这会导致 依赖链随时间不断增加

我不确定，一旦我检查了数据，如何访问以前的批处理RDD

我尝试使用localcheckpoint，但在处理程序（rdd）的“else”方法中失败，这表明它找不到df

注意：我知道我们有像reduceByKey和updateStateByKey这样的选项，但这些选项不适用于我的情况。如果我可以访问上一批的DF或RDD，这将更容易

import sys
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType, IntegerType, StringType

spark = SparkSession.builder.master("local").appName("Word Count").getOrCreate()
flag = True

def handler(rdd):
    global flag
    if not rdd.isEmpty():
        if flag:
            df=spark.read.json(rdd)
            df = df.localCheckpoint()
            flag=False
        else:
            df1=spark.read.json(rdd)
            df = df.union(df1)
            df = df.localCheckpoint()
        df.show()
        

if __name__ == "__main__":
    sc=spark.sparkContext 
    ssc = StreamingContext(sc, 2)
    brokers, topic = sys.argv[1:]
    kvs = KafkaUtils.createDirectStream(ssc, [topic],{"metadata.broker.list": brokers})
    lines = kvs.map(lambda x: x[1])
    lines.foreachRDD(handler)
    ssc.start()
    ssc.awaitTermination()