Azure 串流分析中常見的查詢模式

發行項
05/11/2024

Azure 串流分析的查詢會以類似 SQL 的查詢語言表示。語言建構記載在串流分析查詢語言參考指南中。

查詢設計能傳達簡單的傳遞邏輯，將事件資料從某個輸入資料流移至輸出資料存放區，或執行多種模式比對和時態分析，以計算一段時間的彙總，，如利用串流分析來建置 IoT 解決方案指南中所述。您可以聯結多個輸入的資料來合併串流事件，也可以查閱靜態參考資料，從而擴充事件值。此外，您也可以將資料寫入至多個輸出。

本文章根據真實世界案例概述幾個常見查詢模式的解決方案。

支援的資料格式

Azure 串流分析可處理資料格式為 CSV、JSON 和 Avro 的事件。 JSON 和 Avro 格式可能包含巢狀物件 (記錄) 或陣列等複雜類型。如需使用這些複雜資料類型的詳細資訊，請參閱剖析 JSON 和 AVRO 資料。

將資料傳送至多個輸出

多個 SELECT 陳述式可用來將資料輸出到不同的輸出接收端。例如，某個 SELECT 陳述式可以輸出閾值型警示，另一個則可以將事件輸出至 Blob 儲存體。

請考慮下列輸入：

| Make | Time |
| --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |
| Make1 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:01.0000000Z |
| Make2 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:03.0000000Z |

此外，您想要查詢中的下列兩個輸出：

ArchiveOutput：

| Make | Time |
| --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |
| Make1 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:01.0000000Z |
| Make2 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:03.0000000Z |

AlertOutput：

| Make | Time | Count |
| --- | --- | --- |
| Make2 |2023-01-01T00:00:10.0000000Z |3 |

使用封存輸出和警示輸出作為輸出的 SELECT 陳述式進行查詢：

SELECT
	*
INTO
	ArchiveOutput
FROM
	Input TIMESTAMP BY Time

SELECT
	Make,
	System.TimeStamp() AS Time,
	COUNT(*) AS [Count]
INTO
	AlertOutput
FROM
	Input TIMESTAMP BY Time
GROUP BY
	Make,
	TumblingWindow(second, 10)
HAVING
	[Count] >= 3

INTO 子句會告訴串流分析服務要將資料寫入至哪個輸出。第一個 SELECT 定義傳遞查詢，其會接收來自輸入的資料，並將該資料傳送至名為 Archiveoutput 的輸出。第二個查詢會彙總和篩選資料，然後再將結果傳送至下游的警示系統輸出，稱為 AlertOutput。

WITH 子句可以用來定義多個子查詢區塊。此選項具有對輸入來源開啟更少讀取器的優點。

查詢：

WITH ReaderQuery AS (
	SELECT
		*
	FROM
		Input TIMESTAMP BY Time
)

SELECT * INTO ArchiveOutput FROM ReaderQuery

SELECT 
	Make,
	System.TimeStamp() AS Time,
	COUNT(*) AS [Count] 
INTO AlertOutput 
FROM ReaderQuery
GROUP BY
	Make,
	TumblingWindow(second, 10)
HAVING [Count] >= 3

如需詳細資訊，請參閱 WITH 子句。

簡單的傳遞查詢

簡單的傳遞查詢可以用來將輸入資料流資料複製到輸出。例如，如果包含即時車輛資訊的資料流必須儲存在 SQL 資料庫中以供稍候進行分析，則簡單的傳遞查詢將會執行此作業。

請考慮下列輸入：

| Make | Time | Weight |
| --- | --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |"1000" |
| Make1 |2023-01-01T00:00:02.0000000Z |"2000" |

您希望輸出與輸入相同：

| Make | Time | Weight |
| --- | --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |"1000" |
| Make1 |2023-01-01T00:00:02.0000000Z |"2000" |

以下是查詢：

SELECT
	*
INTO Output
FROM Input

此 SELECT * 查詢會預測傳入事件的所有欄位，並將其傳送至輸出。相反地，您只能預測 SELECT 陳述式中的必要欄位。在下列範例中，SELECT 陳述式只會預測輸入資料的 [製造商] 和 [時間] 欄位。

請考慮下列輸入：

| Make | Time | Weight |
| --- | --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |1000 |
| Make1 |2023-01-01T00:00:02.0000000Z |2000 |
| Make2 |2023-01-01T00:00:04.0000000Z |1500 |

您希望輸出只有 [製造商] 和 [時間] 欄位：

| Make | Time |
| --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |
| Make1 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:04.0000000Z |

以下是僅預測必要欄位的查詢：

SELECT
	Make, Time
INTO Output
FROM Input

搭配 LIKE 和 NOT LIKE 的字串比對

LIKE 和 NOT LIKE 可以用來驗證欄位是否符合特定模式。例如，您可以使用一個篩選條件，只傳回以字母 A 開頭並以數字 9 結尾的車牌。

請考慮下列輸入：

| Make | License_plate | Time |
| --- | --- | --- |
| Make1 |ABC-123 |2023-01-01T00:00:01.0000000Z |
| Make2 |AAA-999 |2023-01-01T00:00:02.0000000Z |
| Make3 |ABC-369 |2023-01-01T00:00:03.0000000Z |

您希望輸出具有開頭為字母 A 的車牌，並以數字 9 結尾：

| Make | License_plate | Time |
| --- | --- | --- |
| Make2 |AAA-999 |2023-01-01T00:00:02.0000000Z |
| Make3 |ABC-369 |2023-01-01T00:00:03.0000000Z |

以下是使用 LIKE 運算子的查詢：

SELECT
	*
FROM
	Input TIMESTAMP BY Time
WHERE
	License_plate LIKE 'A%9'

使用 LIKE 陳述式檢查 License_plate 欄位值。其開頭應該為字母 A，接著是長度為零或更多字元的字串，並以數字 9 結尾。

過去事件的計算

LAG 函式可以用來查看時間範圍內的過去事件，並將其與目前的事件進行比較。例如，如果目前的汽車製造商與通過收費站的最後一輛汽車不同，就可以將其輸出。

範例輸入：

| Make | Time |
| --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |
| Make2 |2023-01-01T00:00:02.0000000Z |

範例輸出：

| Make | Time |
| --- | --- |
| Make2 |2023-01-01T00:00:02.0000000Z |

範例查詢：

SELECT
	Make,
	Time
FROM
	Input TIMESTAMP BY Time
WHERE
	LAG(Make, 1) OVER (LIMIT DURATION(minute, 1)) <> Make

使用 LAG 查看前一個事件的輸入資料流，同時擷取 Make 值，並將其與目前事件的 Make 進行比較，然後輸出事件。

如需詳細資訊，請參閱 LAG。

傳回時間範圍內的最後一個事件

當系統即時使用事件時，沒有函式可判斷該事件是否會是該時間範圍內最後到達的事件。為了達成此目的，輸入資料流必須與另一個輸入資料流聯結，其中事件的時間是該時間範圍內所有事件的最長時間。

範例輸入：

| License_plate | Make | Time |
| --- | --- | --- |
| DXE 5291 |Make1 |2023-07-27T00:00:05.0000000Z |
| YZK 5704 |Make3 |2023-07-27T00:02:17.0000000Z |
| RMV 8282 |Make1 |2023-07-27T00:05:01.0000000Z |
| YHN 6970 |Make2 |2023-07-27T00:06:00.0000000Z |
| VFE 1616 |Make2 |2023-07-27T00:09:31.0000000Z |
| QYF 9358 |Make1 |2023-07-27T00:12:02.0000000Z |
| MDR 6128 |Make4 |2023-07-27T00:13:45.0000000Z |

範例輸出，其中包含兩個 10 分鐘時間範圍內最後一輛汽車的相關資訊：

| License_plate | Make | Time |
| --- | --- | --- |
| VFE 1616 |Make2 |2023-07-27T00:09:31.0000000Z |
| MDR 6128 |Make4 |2023-07-27T00:13:45.0000000Z |

範例查詢：

WITH LastInWindow AS
(
	SELECT 
		MAX(Time) AS LastEventTime
	FROM 
		Input TIMESTAMP BY Time
	GROUP BY 
		TumblingWindow(minute, 10)
)

SELECT 
	Input.License_plate,
	Input.Make,
	Input.Time
FROM
	Input TIMESTAMP BY Time 
	INNER JOIN LastInWindow
	ON DATEDIFF(minute, Input, LastInWindow) BETWEEN 0 AND 10
	AND Input.Time = LastInWindow.LastEventTime

查詢的第一個步驟是在 10 分鐘的時間範圍內尋找時間戳記上限，這是該時間範圍最後一個事件的時間戳記。第二個步驟會將第一個查詢的結果與原始串流聯結在一起，在每個時間範圍內尋找符合最後一個時間戳記的事件。

DATEDIFF 是一種日期特有的函式，可比較並傳回兩個 DateTime 欄位之間的時間差。如需詳細資訊，請參閱 date 函式。

如需聯結資料流的詳細資訊，請參閱 JOIN。

一段時間的資料彙總

若要計算時間範圍中的資訊，您可以彙總資料。在此範例中，陳述式會計算過去 10 秒內每個特定汽車製造商的計數。

範例輸入：

| Make | Time | Weight |
| --- | --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |1000 |
| Make1 |2023-01-01T00:00:02.0000000Z |2000 |
| Make2 |2023-01-01T00:00:04.0000000Z |1500 |

範例輸出：

| Make | Count |
| --- | --- |
| Make1 | 2 |
| Make2 | 1 |

查詢：

SELECT
	Make,
	COUNT(*) AS Count
FROM
	Input TIMESTAMP BY Time
GROUP BY
	Make,
	TumblingWindow(second, 10)

此彙總會依 Make 將汽車分組，並每隔 10 秒對其進行計數一次。對於通過收費站的汽車，輸出具有其 [製造商] 和 [計數]。

TumblingWindow 是用來將事件群組在一起的視窗化函式。彙總可以套用至所有分組的事件。如需詳細資訊，請參閱視窗化函式。

如需彙總的詳細資訊，請參閱彙總函式。

定期輸出值

發生遺失或異常事件時，可以從更疏鬆的資料輸入產生定期輸出。例如，每隔 5 秒產生事件，報告最近所見的資料點。

範例輸入：

| Time | Value |
| --- | --- |
| "2014-01-01T06:01:00" |1 |
| "2014-01-01T06:01:05" |2 |
| "2014-01-01T06:01:10" |3 |
| "2014-01-01T06:01:15" |4 |
| "2014-01-01T06:01:30" |5 |
| "2014-01-01T06:01:35" |6 |

範例輸出 (前 10 個資料列)：

| Window_end | Last_event.Time | Last_event.Value |
| --- | --- | --- |
| 2014-01-01T14:01:00.000Z |2014-01-01T14:01:00.000Z |1 |
| 2014-01-01T14:01:05.000Z |2014-01-01T14:01:05.000Z |2 |
| 2014-01-01T14:01:10.000Z |2014-01-01T14:01:10.000Z |3 |
| 2014-01-01T14:01:15.000Z |2014-01-01T14:01:15.000Z |4 |
| 2014-01-01T14:01:20.000Z |2014-01-01T14:01:15.000Z |4 |
| 2014-01-01T14:01:25.000Z |2014-01-01T14:01:15.000Z |4 |
| 2014-01-01T14:01:30.000Z |2014-01-01T14:01:30.000Z |5 |
| 2014-01-01T14:01:35.000Z |2014-01-01T14:01:35.000Z |6 |
| 2014-01-01T14:01:40.000Z |2014-01-01T14:01:35.000Z |6 |
| 2014-01-01T14:01:45.000Z |2014-01-01T14:01:35.000Z |6 |

範例查詢：

SELECT
	System.Timestamp() AS Window_end,
	TopOne() OVER (ORDER BY Time DESC) AS Last_event
FROM
	Input TIMESTAMP BY Time
GROUP BY
	HOPPINGWINDOW(second, 300, 5)

此查詢會每隔 5 秒產生事件，並輸出先前所收到的最後一個事件。 HOPPINGWINDOW 持續時間會決定查詢要回到多久前，才能找到最新的事件。

如需詳細資訊，請參閱跳動視窗。

使資料流中的事件相互關聯

藉由使用 LAG 函式查看過去事件，即可使相同資料流中的事件相互關聯。例如，每次連續兩部來自相同 [製造商] 的汽車在過去 90 秒內通過收費站時，就會產生輸出。

範例輸入：

| Make | License_plate | Time |
| --- | --- | --- |
| Make1 |ABC-123 |2023-01-01T00:00:01.0000000Z |
| Make1 |AAA-999 |2023-01-01T00:00:02.0000000Z |
| Make2 |DEF-987 |2023-01-01T00:00:03.0000000Z |
| Make1 |GHI-345 |2023-01-01T00:00:04.0000000Z |

範例輸出：

| Make | Time | Current_car_license_plate | First_car_license_plate | First_car_time |
| --- | --- | --- | --- | --- |
| Make1 |2023-01-01T00:00:02.0000000Z |AAA-999 |ABC-123 |2023-01-01T00:00:01.0000000Z |

範例查詢：

SELECT
	Make,
	Time,
	License_plate AS Current_car_license_plate,
	LAG(License_plate, 1) OVER (LIMIT DURATION(second, 90)) AS First_car_license_plate,
	LAG(Time, 1) OVER (LIMIT DURATION(second, 90)) AS First_car_time
FROM
	Input TIMESTAMP BY Time
WHERE
	LAG(Make, 1) OVER (LIMIT DURATION(second, 90)) = Make

LAG 函式可以查看前一個事件的輸入資料流，並擷取 Make，將其與目前事件的 Make 值進行比較。一旦符合條件，就可以使用 SELECT 陳述式中的 LAG 來預測上一個事件中的資料。

如需詳細資訊，請參閱 LAG。

偵測事件之間的持續時間

一旦收到 End 事件，就可以查看最後一個 Start 事件來計算事件的持續時間。此查詢有助於判斷使用者在頁面或功能上花費的時間。

範例輸入：

| User | Feature | Event | Time |
| --- | --- | --- | --- |
| user@location.com |RightMenu |Start |2023-01-01T00:00:01.0000000Z |
| user@location.com |RightMenu |End |2023-01-01T00:00:08.0000000Z |

範例輸出：

| User | Feature | Duration |
| --- | --- | --- |
| user@location.com |RightMenu |7 |

範例查詢：

SELECT
	[user],
	feature,
	DATEDIFF(
		second,
		LAST(Time) OVER (PARTITION BY [user], feature LIMIT DURATION(hour, 1) WHEN Event = 'start'),
		Time) as duration
FROM input TIMESTAMP BY Time
WHERE
	Event = 'end'

LAST 函式可以用來擷取特定條件內的最後一個事件。在此範例中，條件是類型為 Start 的事件，藉由 PARTITION BY 使用者和功能來分割搜尋。如此一來，在搜尋 Start 事件時，每個使用者和功能都會獨立處理。 LIMIT DURATION 將向後搜尋的時間限制為 End 和 Start 事件之間的 1 小時。

計算唯一值

COUNT 和 DISTINCT 可用來計算某個時間範圍內在串流中所出現唯一欄位值的數目。您可以建立查詢來計算在 2 秒鐘時間範圍內有多少部獨特 [製造當] 的汽車通過收費站。

範例輸入：

| Make | Time |
| --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |
| Make1 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:01.0000000Z |
| Make2 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:03.0000000Z |

範例輸出：

| Count_make | Time |
| --- | --- |
| 2 |2023-01-01T00:00:02.000Z |
| 1 |2023-01-01T00:00:04.000Z |

範例查詢：

SELECT
     COUNT(DISTINCT Make) AS Count_make,
     System.TIMESTAMP() AS Time
FROM Input TIMESTAMP BY TIME
GROUP BY 
     TumblingWindow(second, 2)

COUNT(DISTINCT Make) 會傳回一個時間範圍內 Make 資料行的相異值計數。如需詳細資訊，請參閱 COUNT 彙總函式。

擷取時間範圍內的第一個事件

您可以使用 IsFirst 來擷取時間範圍中的第一個事件。例如，每隔 10 分鐘輸出第一部汽車資訊。

範例輸入：

| License_plate | Make | Time |
| --- | --- | --- |
| DXE 5291 |Make1 |2023-07-27T00:00:05.0000000Z |
| YZK 5704 |Make3 |2023-07-27T00:02:17.0000000Z |
| RMV 8282 |Make1 |2023-07-27T00:05:01.0000000Z |
| YHN 6970 |Make2 |2023-07-27T00:06:00.0000000Z |
| VFE 1616 |Make2 |2023-07-27T00:09:31.0000000Z |
| QYF 9358 |Make1 |2023-07-27T00:12:02.0000000Z |
| MDR 6128 |Make4 |2023-07-27T00:13:45.0000000Z |

範例輸出：

| License_plate | Make | Time |
| --- | --- | --- |
| DXE 5291 |Make1 |2023-07-27T00:00:05.0000000Z |
| QYF 9358 |Make1 |2023-07-27T00:12:02.0000000Z |

範例查詢：

SELECT 
	License_plate,
	Make,
	Time
FROM 
	Input TIMESTAMP BY Time
WHERE 
	IsFirst(minute, 10) = 1

IsFirst 也可以分割資料，並計算每部特定汽車 Make 每隔 10 分鐘找到的第一個事件。

範例輸出：

| License_plate | Make | Time |
| --- | --- | --- |
| DXE 5291 |Make1 |2023-07-27T00:00:05.0000000Z |
| YZK 5704 |Make3 |2023-07-27T00:02:17.0000000Z |
| YHN 6970 |Make2 |2023-07-27T00:06:00.0000000Z |
| QYF 9358 |Make1 |2023-07-27T00:12:02.0000000Z |
| MDR 6128 |Make4 |2023-07-27T00:13:45.0000000Z |

範例查詢：

SELECT 
	License_plate,
	Make,
	Time
FROM 
	Input TIMESTAMP BY Time
WHERE 
	IsFirst(minute, 10) OVER (PARTITION BY Make) = 1

如需詳細資訊，請參閱 IsFirst。

移除時間範圍內的重複事件

當您執行如計算指定時間範圍內事件平均值的作業時，應該要將重複的事件篩選出來。在下列範例中，第二個事件是第一個事件的重複。

範例輸入：

| DeviceId | Time | Attribute | Value |
| --- | --- | --- | --- |
| 1 |2018-07-27T00:00:01.0000000Z |Temperature |50 |
| 1 |2018-07-27T00:00:01.0000000Z |Temperature |50 |
| 2 |2018-07-27T00:00:01.0000000Z |Temperature |40 |
| 1 |2018-07-27T00:00:05.0000000Z |Temperature |60 |
| 2 |2018-07-27T00:00:05.0000000Z |Temperature |50 |
| 1 |2018-07-27T00:00:10.0000000Z |Temperature |100 |

範例輸出：

| AverageValue | DeviceId |
| --- | --- |
| 70 | 1 |
|45 | 2 |

範例查詢：

WITH Temp AS (
	SELECT Value, DeviceId
	FROM Input TIMESTAMP BY Time
	GROUP BY Value, DeviceId, System.Timestamp()
)
 

SELECT
	AVG(Value) AS AverageValue, DeviceId
INTO Output
FROM Temp
GROUP BY DeviceId,TumblingWindow(minute, 5)

當第一個陳述式執行時，重複的記錄會合併成一個，因為分組依據子句中的欄位都相同。因此，它會移除重複項目。

針對不同的案例/值指定邏輯 (CASE 陳述式)

CASE 陳述式可以根據特定準則，為不同的欄位提供不同的計算。例如，將車道 A 指派給 Make1，而車道 B 指派給任何其他製造商。

範例輸入：

| Make | Time |
| --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |
| Make2 |2023-01-01T00:00:02.0000000Z |
| Make2 |2023-01-01T00:00:03.0000000Z |

範例輸出：

| Make |Dispatch_to_lane | Time |
| --- | --- | --- |
| Make1 |"A" |2023-01-01T00:00:01.0000000Z |
| Make2 |"B" |2023-01-01T00:00:02.0000000Z |

範例查詢：

SELECT
	Make
	CASE
		WHEN Make = "Make1" THEN "A"
		ELSE "B"
	END AS Dispatch_to_lane,
	System.TimeStamp() AS Time
FROM
	Input TIMESTAMP BY Time

CASE 運算式會比較運算式和一組簡單運算式來決定其結果。在此範例中，Make1 的車輛會分派給車道 A，而任何其他製造商的車輛則會指派給車道 B。

如需詳細資訊，請參閱 case 運算式。

資料轉換

您可以使用 CAST 方法來即時轉換資料。例如，汽車權數可以從類型 nvarchar(max) 轉換成類型 bigint，並用於數值計算。

範例輸入：

| Make | Time | Weight |
| --- | --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |"1000" |
| Make1 |2023-01-01T00:00:02.0000000Z |"2000" |

範例輸出：

| Make | Weight |
| --- | --- |
| Make1 |3000 |

範例查詢：

SELECT
	Make,
	SUM(CAST(Weight AS BIGINT)) AS Weight
FROM
	Input TIMESTAMP BY Time
GROUP BY
	Make,
	TumblingWindow(second, 10)

使用 CAST 陳述式來指定其資料類型。請參閱資料類型 (Azure 串流分析) 上的支援資料類型清單。

如需詳細資訊，請參閱資料轉換函式。

偵測某個條件的持續時間

對於跨越多個事件的條件，LAG 函式可以用來識別該條件的持續時間。例如，假設有個錯誤導致所有車輛的重量不正確 (超過 20,000 磅)，而且必須計算該錯誤的持續時間。

範例輸入：

| Make | Time | Weight |
| --- | --- | --- |
| Make1 |2023-01-01T00:00:01.0000000Z |2000 |
| Make2 |2023-01-01T00:00:02.0000000Z |25000 |
| Make1 |2023-01-01T00:00:03.0000000Z |26000 |
| Make2 |2023-01-01T00:00:04.0000000Z |25000 |
| Make1 |2023-01-01T00:00:05.0000000Z |26000 |
| Make2 |2023-01-01T00:00:06.0000000Z |25000 |
| Make1 |2023-01-01T00:00:07.0000000Z |26000 |
| Make2 |2023-01-01T00:00:08.0000000Z |2000 |

範例輸出：

| Start_fault | End_fault |
| --- | --- |
| 2023-01-01T00:00:02.000Z |2023-01-01T00:00:07.000Z |

範例查詢：

WITH SelectPreviousEvent AS
(
SELECT
	*,
	LAG([time]) OVER (LIMIT DURATION(hour, 24)) as previous_time,
	LAG([weight]) OVER (LIMIT DURATION(hour, 24)) as previous_weight
FROM input TIMESTAMP BY [time]
)

SELECT 
	LAG(time) OVER (LIMIT DURATION(hour, 24) WHEN previous_weight < 20000 ) [Start_fault],
	previous_time [End_fault]
FROM SelectPreviousEvent
WHERE
	[weight] < 20000
	AND previous_weight > 20000

第一個 SELECT 陳述式會使目前的權數測量與先前的測量相互關聯，並將其與目前的測量一起預測。第二個 SELECT 往回查看 previous_weight 小於 20000 的最後一個事件，其中目前權數小於 20000，而目前事件的 previous_weight 則大於 20000。

End_fault 是上一個事件發生錯誤的目前非錯誤事件，而 Start_fault 是在這之前的最後一個非錯誤事件。

以獨立時間處理事件 (子資料流)

事件會因事件產生器之間的時鐘誤差、分割之間的時鐘誤差或網路延遲，而導致延遲發生或順序錯誤。例如，TollID 2 的裝置時鐘比 TollID 1 晚 5 秒，而且 TollID 3 的裝置時鐘比 TollID 1 晚 10 秒。計算可能會因每個收費而獨立發生，只將其自己的時鐘資料視為時間戳記。

範例輸入：

| LicensePlate | Make | Time | TollID |
| --- | --- | --- | --- |
| DXE 5291 |Make1 |2023-07-27T00:00:01.0000000Z | 1 |
| YHN 6970 |Make2 |2023-07-27T00:00:05.0000000Z | 1 |
| QYF 9358 |Make1 |2023-07-27T00:00:01.0000000Z | 2 |
| GXF 9462 |Make3 |2023-07-27T00:00:04.0000000Z | 2 |
| VFE 1616 |Make2 |2023-07-27T00:00:10.0000000Z | 1 |
| RMV 8282 |Make1 |2023-07-27T00:00:03.0000000Z | 3 |
| MDR 6128 |Make3 |2023-07-27T00:00:11.0000000Z | 2 |
| YZK 5704 |Make4 |2023-07-27T00:00:07.0000000Z | 3 |

範例輸出：

| TollID | Count |
| --- | --- |
| 1 | 2 |
| 2 | 2 |
| 1 | 1 |
| 3 | 1 |
| 2 | 1 |
| 3 | 1 |

範例查詢：

SELECT
      TollId,
      COUNT(*) AS Count
FROM input
      TIMESTAMP BY Time OVER TollId
GROUP BY TUMBLINGWINDOW(second, 5), TollId

TIMESTAMP BY OVER 子句會使用子資料流個別查看每個裝置時間軸。計算時會產生每個 TollID 的輸出事件，這表示事件的順序均與每個 TollID 有關，而不會重新排列順序，就像所有裝置都依據同一個時鐘一般。

如需詳細資訊，請參閱 TIMESTAMP BY OVER。

工作階段時間範圍

工作階段時間範圍是一種時間範圍，可在事件發生時持續展開，並在一段特定時間之後未收到任何事件，或時間範圍到達其最大持續時間時，關閉計算。此時間範圍在計算使用者互動資料時特別有用。當使用者開始與系統互動，時間範圍就會開始，而在沒有觀察到更多事件時，也就是說，使用者已停止互動時，就會關閉時間範圍。例如，使用者正在與記錄點擊次數的網頁進行互動，這時工作階段時間範圍可以用來找出使用者與網站互動的時間長度。

範例輸入：

| User_id | Time | URL |
| --- | --- | --- |
| 0 | 2017-01-26T00:00:00.0000000Z | "www.example.com/a.html" |
| 0 | 2017-01-26T00:00:20.0000000Z | "www.example.com/b.html" |
| 1 | 2017-01-26T00:00:55.0000000Z | "www.example.com/c.html" |
| 0 | 2017-01-26T00:01:10.0000000Z | "www.example.com/d.html" |
| 1 | 2017-01-26T00:01:15.0000000Z | "www.example.com/e.html" |

範例輸出：

| User_id | StartTime | EndTime | Duration_in_seconds |
| --- | --- | --- | --- |
| 0 | 2017-01-26T00:00:00.0000000Z | 2017-01-26T00:01:10.0000000Z | 70 |
| 1 | 2017-01-26T00:00:55.0000000Z | 2017-01-26T00:01:15.0000000Z | 20 |

範例查詢：

SELECT
	user_id,
	MIN(time) as StartTime,
	MAX(time) as EndTime,
	DATEDIFF(second, MIN(time), MAX(time)) AS duration_in_seconds
FROM input TIMESTAMP BY time
GROUP BY
	user_id,
	SessionWindow(minute, 1, 60) OVER (PARTITION BY user_id)

SELECT 會預測與使用者互動相關的資料，以及互動的持續時間。如果 1 分鐘內沒有發生任何互動，則會依使用者和關閉的 SessionWindow 將資料分組，時間範圍大小上限為 60 分鐘。

如需 SessionWindow 的詳細資訊，請參閱工作階段時間範圍。

JavaScript 與 C# 中的使用者定義函式。

您可以使用以 JavaScript 或 C# 語言撰寫的自訂函式，來擴充 Azure 串流分析查詢語言。使用者定義函式 (UDF) 是自訂/複雜的計算，無法使用 SQL 語言輕鬆地表示。這些 UDF 可以定義一次，並在查詢內多次使用。例如，UDF 可以用來將十六進位 nvarchar(max) 值轉換成 bigint 值。

範例輸入：

| Device_id | HexValue |
| --- | --- |
| 1 | "B4" |
| 2 | "11B" |
| 3 | "121" |

範例輸出：

| Device_id | Decimal |
| --- | --- |
| 1 | 180 |
| 2 | 283 |
| 3 | 289 |

function hex2Int(hexValue){
	return parseInt(hexValue, 16);
}

public static class MyUdfClass {
	public static long Hex2Int(string hexValue){
		return int.Parse(hexValue, System.Globalization.NumberStyles.HexNumber);
	}
}

SELECT
	Device_id,
	udf.Hex2Int(HexValue) AS Decimal
From
	Input

使用者定義函式會根據每個取用的事件，計算 HexValue 中的 bigint 值。

如需詳細資訊，請參閱 JavaScript 和 C#。

搭配 MATCH_RECOGNIZE 的進階模式比對

MATCH_RECOGNIZE 是一種進階模式比對機制，可以用來比對事件序列與定義完善的規則運算式模式。例如，如果有兩個連續的警告訊息，管理員需要收到通知，則在 ATM 作業期間，會即時監視 ATM 是否故障。

輸入：

| ATM_id | Operation_id | Return_Code | Time |
| --- | --- | --- | --- |
| 1 | "Entering Pin" | "Success" | 2017-01-26T00:10:00.0000000Z |
| 2 | "Opening Money Slot" | "Success" | 2017-01-26T00:10:07.0000000Z |
| 2 | "Closing Money Slot" | "Success" | 2017-01-26T00:10:11.0000000Z |
| 1 | "Entering Withdraw Quantity" | "Success" | 2017-01-26T00:10:08.0000000Z |
| 1 | "Opening Money Slot" | "Warning" | 2017-01-26T00:10:14.0000000Z |
| 1 | "Printing Bank Balance" | "Warning" | 2017-01-26T00:10:19.0000000Z |

輸出：

| ATM_id | First_Warning_Operation_id | Warning_Time |
| --- | --- | --- |
| 1 | "Opening Money Slot" | 2017-01-26T00:10:14.0000000Z |

SELECT *
FROM input TIMESTAMP BY time OVER ATM_id
MATCH_RECOGNIZE (
	LIMIT DURATION(minute, 1)
	PARTITION BY ATM_id
	MEASURES
		First(Warning.ATM_id) AS ATM_id,
		First(Warning.Operation_Id) AS First_Warning_Operation_id,
		First(Warning.Time) AS Warning_Time
	AFTER MATCH SKIP TO NEXT ROW
	PATTERN (Success+ Warning{2,})
	DEFINE
		Success AS Succes.Return_Code = 'Success',
		Warning AS Warning.Return_Code <> 'Success'
) AS patternMatch

此查詢符合至少兩個連續失敗事件，並在符合條件時產生警示。 PATTERN 定義要用於比對的規則運算式，在此情況下，至少一個成功作業後面至少兩個連續警告。成功和警告是使用 Return_Code 值所定義，一旦符合條件，就會利用 ATM_id、第一個警告作業和第一個警告時間來推算 MEASURES。

如需詳細資訊，請參閱 MATCH_RECOGNIZE。

地理柵欄和地理空間查詢

Azure 串流分析提供內建的地理空間函式，可用來實作車隊管理、共駕、連線汽車和資產追蹤等案例。地理空間資料可以採用 GeoJSON 或 WKT 格式內嵌成事件資料流或參考資料的一部分。例如，專精於製造列印護照機器的公司，會將其機器租用給政府和領事館。這些機器的位置會受到嚴格控制，以避免放錯位置和可能用於偽造護照。每部機器都配有 GPS 追蹤器，這項資訊會轉送回 Azure 串流分析作業。製造商想要追蹤這些機器的位置，並在其中一部機器離開授權區域時收到警示，如此一來，他們就可以從遠端停用、警示當局和取回設備。

輸入：

| Equipment_id | Equipment_current_location | Time |
| --- | --- | --- |
| 1 | "POINT(-122.13288797982818 47.64082002051315)" | 2017-01-26T00:10:00.0000000Z |
| 1 | "POINT(-122.13307252987875 47.64081350934929)" | 2017-01-26T00:11:00.0000000Z |
| 1 | "POINT(-122.13308862313283 47.6406508603241)" | 2017-01-26T00:12:00.0000000Z |
| 1 | "POINT(-122.13341048821462 47.64043760861279)" | 2017-01-26T00:13:00.0000000Z |

參考資料輸入：

| Equipment_id | Equipment_lease_location |
| --- | --- |
| 1 | "POLYGON((-122.13326028450979 47.6409833866794,-122.13261655434621 47.6409833866794,-122.13261655434621 47.64061471602751,-122.13326028450979 47.64061471602751,-122.13326028450979 47.6409833866794))" |

輸出：

| Equipment_id | Equipment_alert_location | Time |
| --- | --- | --- |
| 1 | "POINT(-122.13341048821462 47.64043760861279)" | 2017-01-26T00:13:00.0000000Z |

SELECT
	input.Equipment_id AS Equipment_id,
	input.Equipment_current_location AS Equipment_current_location,
	input.Time AS Time
FROM input TIMESTAMP BY time
JOIN
	referenceInput 
	ON input.Equipment_id = referenceInput.Equipment_id
	WHERE 
		ST_WITHIN(input.Equipment_currenct_location, referenceInput.Equipment_lease_location) = 1

此查詢可讓製造商自動監視機器位置，當機器離開允許的地理柵欄時，就會收到警示。內建的地理空間功能可讓使用者使用查詢內的 GPS 資料，而不需要協力廠商程式庫。

如需詳細資訊，請參閱搭配 Azure 串流分析的地理柵欄和地理空間彙總案例一文。

取得協助

如需進一步的協助，請嘗試 Azure 串流分析的 Microsoft 問與答頁面。

共用方式為

Azure 串流分析中常見的查詢模式

支援的資料格式

將資料傳送至多個輸出

簡單的傳遞查詢

搭配 LIKE 和 NOT LIKE 的字串比對

過去事件的計算

傳回時間範圍內的最後一個事件

一段時間的資料彙總

定期輸出值

使資料流中的事件相互關聯

偵測事件之間的持續時間

計算唯一值

擷取時間範圍內的第一個事件

移除時間範圍內的重複事件

針對不同的案例/值指定邏輯 (CASE 陳述式)

資料轉換

偵測某個條件的持續時間

以獨立時間處理事件 (子資料流)

工作階段時間範圍

JavaScript 與 C# 中的使用者定義函式。

搭配 MATCH_RECOGNIZE 的進階模式比對

地理柵欄和地理空間查詢

取得協助

下一步

意見反應

其他資源