Spark Structured Streaming 支持精确一次性语义。但是，需要注意的是，如果按照系统时间进行分区，则必须确保具有相同时间戳的事件会被放置到同一个分区中，以避免重复处理或数据丢失。

下面是一个示例代码，演示了如何将事件按照系统时间进行分区：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.streaming.ProcessingTime

val stream = spark.readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "localhost:9092")
  .option("subscribe", "input_topic")
  .option("startingOffsets", "earliest")
  .load()

val partitionByTime = stream.selectExpr("*", "cast(timestamp as date) as system_time")
  .writeStream
  .format("parquet")
  .option("path", "output_directory")
  .partitionBy("system_time")
  .option("checkpointLocation", "checkpoints_directory")
  .trigger(ProcessingTime("1 minute"))
  .start()

partitionByTime.awaitTermination()

在上述示例中，我们通过从 Kafka 主题 input_topic 接收数据，并将它们写入到输出目录 output_directory 中，使用日期作为分区键。代码处理时间为一分钟。

需要注意的是，这种分区策略只适用于按天处理数据的情况。如果要按小时、分钟或秒进行分区，则需要将日期和时间戳作为分区键。