Linux Foundation Delta Lake 概述

为了使内容更加清晰,本文根据此处的初始版本进行了改编。 本文将帮助你快速了解 Delta Lake 的主要功能。 本文提供的代码片段演示了何从交互式查询、批处理查询和流式处理查询中读取和写入 Delta Lake 表。 代码片段也在一组笔记本中提供:此处的 PySpark此处的 Scala此处的 C#

下面是我们将介绍的内容:

  • 创建表
  • 读取数据
  • 更新表数据
  • 覆盖表数据
  • 无覆盖的条件更新
  • 使用“按时间顺序查看”读取较早版本的数据
  • 将数据流写入表
  • 读取表中的更改流
  • SQL 支持

配置

请确保修改以下内容,以适合你的环境。

import random

session_id = random.randint(0,1000000)
delta_table_path = "/delta/delta-table-{0}".format(session_id)

delta_table_path
var sessionId = (new Random()).Next(10000000);
var deltaTablePath = $"/delta/delta-table-{sessionId}";

deltaTablePath
val sessionId = scala.util.Random.nextInt(1000000)
val deltaTablePath = s"/delta/delta-table-$sessionId";

结果:

“/delta/delta-table-335323”

创建表

若要创建 Delta Lake 表,请以增量格式编写数据帧。 可将格式从 Parquet、CSV 和 JSON 等更改为增量格式。

下面的代码演示了如何使用从数据帧推断的架构创建新的 Delta Lake 表。

data = spark.range(0,5)
data.show()
data.write.format("delta").save(delta_table_path)
var data = spark.Range(0,5);
data.Show();
data.Write().Format("delta").Save(deltaTablePath);
val data = spark.range(0, 5)
data.show
data.write.format("delta").save(deltaTablePath)

结果:

ID
0
1
2
3
4

读取数据

通过指定文件路径和增量格式来读取 Delta Lake 表中的数据。

df = spark.read.format("delta").load(delta_table_path)
df.show()
var df = spark.Read().Format("delta").Load(deltaTablePath);
df.Show()
val df = spark.read.format("delta").load(deltaTablePath)
df.show()

结果:

ID
1
3
4
0
2

此结果的顺序与上面的结果顺序不同,因为在输出结果之前未显式指定顺序。

更新表数据

Delta Lake 支持使用标准数据帧 API 修改表的多种操作。 这些操作是增量格式添加的增强功能之一。 下面的示例运行一个批处理作业来覆盖表中的数据。

data = spark.range(5,10)
data.write.format("delta").mode("overwrite").save(delta_table_path)
df.show()
var data = spark.Range(5,10);
data.Write().Format("delta").Mode("overwrite").Save(deltaTablePath);
df.Show();
val data = spark.range(5, 10)
data.write.format("delta").mode("overwrite").save(deltaTablePath)
df.show()

结果:

ID
7
8
5
9
6

在这里,你可看到所有 5 个记录均已更新为包含新值。

另存为目录表

Delta Lake 可写入托管的或外部目录表。

data.write.format("delta").saveAsTable("ManagedDeltaTable")
spark.sql("CREATE TABLE ExternalDeltaTable USING DELTA LOCATION '{0}'".format(delta_table_path))
spark.sql("SHOW TABLES").show()
data.Write().Format("delta").SaveAsTable("ManagedDeltaTable");
spark.Sql($"CREATE TABLE ExternalDeltaTable USING DELTA LOCATION '{deltaTablePath}'");
spark.Sql("SHOW TABLES").Show();
data.write.format("delta").saveAsTable("ManagedDeltaTable")
spark.sql(s"CREATE TABLE ExternalDeltaTable USING DELTA LOCATION '$deltaTablePath'")
spark.sql("SHOW TABLES").show

结果:

database tableName isTemporary
默认值 externaldeltatable false
默认值 manageddeltatable false

通过此代码,你在目录中根据现有数据帧创建了一个新表,称为托管表。 然后,你在目录中定义了一个使用现有位置的新的外部表,称为外部表。 在输出中,你可看到无论这两个表是如何创建的,目录中都列出了它们。

现在可查看这两个表的扩展属性

spark.sql("DESCRIBE EXTENDED ManagedDeltaTable").show(truncate=False)
spark.Sql("DESCRIBE EXTENDED ManagedDeltaTable").Show(truncate: 0);
spark.sql("DESCRIBE EXTENDED ManagedDeltaTable").show(truncate=false)

结果:

col_name data_type comment
id bigint Null
表详细信息
数据库 默认值
manageddeltatable
所有者 trusted-service-user
创建时间 2020 年 4 月 25 日星期六 00:35:34 UTC
上次访问 1970 年 1 月 01 日星期四 00:00:00 UTC
创建者 Spark 2.4.4.2.6.99.201-11401300
类型 托管
提供程序 delta
表属性 [transient_lastDdlTime=1587774934]
统计信息 2407 个字节
位置 abfss://data@<data lake>.dfs.core.chinacloudapi.cn/synapse/workspaces/<workspace name>/warehouse/manageddeltatable
Serde 库 org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
InputFormat org.apache.hadoop.mapred.SequenceFileInputFormat
OutputFormat org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
存储属性 [serialization.format=1]
spark.sql("DESCRIBE EXTENDED ExternalDeltaTable").show(truncate=False)
spark.Sql("DESCRIBE EXTENDED ExternalDeltaTable").Show(truncate: 0);
spark.sql("DESCRIBE EXTENDED ExternalDeltaTable").show(truncate=false)

结果:

col_name data_type comment
id bigint Null
表详细信息
数据库 默认值
externaldeltatable
所有者 trusted-service-user
创建时间 2020 年 4 月 25 日星期六 00:35:38 UTC
上次访问 1970 年 1 月 01 日星期四 00:00:00 UTC
创建者 Spark 2.4.4.2.6.99.201-11401300
类型 EXTERNAL
提供程序 DELTA
表属性 [transient_lastDdlTime=1587774938]
位置 abfss://data@<数据湖>.dfs.core.chinacloudapi.cn/delta/delta-table-587152
Serde 库 org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
InputFormat org.apache.hadoop.mapred.SequenceFileInputFormat
OutputFormat org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
存储属性 [serialization.format=1]

无覆盖的条件更新

Delta Lake 提供编程 API 来进行条件更新、删除数据并将数据合并(这个命令通常称为更新插入)到表中。

from delta.tables import *
from pyspark.sql.functions import *

delta_table = DeltaTable.forPath(spark, delta_table_path)

delta_table.update(
  condition = expr("id % 2 == 0"),
  set = { "id": expr("id + 100") })
delta_table.toDF().show()
using Microsoft.Spark.Extensions.Delta;
using Microsoft.Spark.Extensions.Delta.Tables;
using Microsoft.Spark.Sql;
using static Microsoft.Spark.Sql.Functions;

var deltaTable = DeltaTable.ForPath(deltaTablePath);

deltaTable.Update(
  condition: Expr("id % 2 == 0"),
  set: new Dictionary<string, Column>(){{ "id", Expr("id + 100") }});
deltaTable.ToDF().Show();
import io.delta.tables._
import org.apache.spark.sql.functions._

val deltaTable = DeltaTable.forPath(deltaTablePath)

// Update every even value by adding 100 to it
deltaTable.update(
  condition = expr("id % 2 == 0"),
  set = Map("id" -> expr("id + 100")))
deltaTable.toDF.show

结果:

ID
106
108
5
7
9

在这里,你只为每个偶数 ID 增加了 100。

delta_table.delete("id % 2 == 0")
delta_table.toDF().show()
deltaTable.Delete(condition: Expr("id % 2 == 0"));
deltaTable.ToDF().Show();
deltaTable.delete(condition = expr("id % 2 == 0"))
deltaTable.toDF.show

结果:

ID
5
7
9

请注意,删除了每个偶数行。

new_data = spark.range(0,20).alias("newData")

delta_table.alias("oldData")\
    .merge(new_data.alias("newData"), "oldData.id = newData.id")\
    .whenMatchedUpdate(set = { "id": lit("-1")})\
    .whenNotMatchedInsert(values = { "id": col("newData.id") })\
    .execute()

delta_table.toDF().show(100)
var newData = spark.Range(20).As("newData");

deltaTable
    .As("oldData")
    .Merge(newData, "oldData.id = newData.id")
    .WhenMatched()
        .Update(new Dictionary<string, Column>() {{"id", Lit("-1")}})
    .WhenNotMatched()
        .Insert(new Dictionary<string, Column>() {{"id", Col("newData.id")}})
    .Execute();

deltaTable.ToDF().Show(100);
val newData = spark.range(0, 20).toDF

deltaTable.as("oldData").
  merge(
    newData.as("newData"),
    "oldData.id = newData.id").
  whenMatched.
  update(Map("id" -> lit(-1))).
  whenNotMatched.
  insert(Map("id" -> col("newData.id"))).
  execute()

deltaTable.toDF.show()

结果:

ID
18
15
19
2
1
6
8
3
-1
10
13
0
16
4
-1
12
11
14
-1
17

在此你合并了现有数据。 已在 update(WhenMatched) 代码路径中为现有数据分配了值 -1。 还添加了在代码片段顶部创建且已通过插入代码路径 (WhenNotMatched) 添加的新数据。

历史记录

通过 Delta Lake 可查看表的历史记录, 也就是查看对基础 Delta Table 所做的更改。 下面的单元展示了查看历史记录是多么的简单。

delta_table.history().show(20, 1000, False)
deltaTable.History().Show(20, 1000, false);
deltaTable.history.show(false)

结果:

版本 timestamp userId userName operation operationParameters 作业 (job) 笔记本 clusterId readVersion isolationLevel isBlindAppend
4 2020-04-25 00:36:27 null null MERGE [predicate -> (oldData.ID = newData.ID)] Null Null null 3 null false
3 2020-04-25 00:36:08 null null DELETE [predicate -> ["((ID % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]] null Null null 2 null false
2 2020-04-25 00:35:51 null null UPDATE [predicate -> ((ID#744L % cast(2 as bigint)) = cast(0 as bigint))] null Null Null 1 null false
1 2020-04-25 00:35:05 null null WRITE [mode -> Overwrite, partitionBy -> []] null Null Null 0 Null false
0 2020-04-25 00:34:34 null null WRITE [mode -> ErrorIfExists, partitionBy -> []] Null Null Null Null null true

在这里,你可看到对上述代码片段所作的全部修改。

使用“按时间顺序查看”读取较早版本的数据

可使用一项称为“按时间顺序查看”的功能查询 Delta Lake 表的历史快照。 如果要访问已覆盖的数据,可使用 versionAsOf 选项查询表的快照,然后再覆盖第一组数据。

运行下面的单元之后,应会看到覆盖前的第一组数据。 “按时间顺序查看”是一项强大的功能,它利用 Delta Lake 事务日志的强大功能来访问表中已不存在的数据。 如果删除版本 0 选项(或指定版本 1),则可再次查看更新的数据。 有关详细信息,请参阅查询表的旧快照

df = spark.read.format("delta").option("versionAsOf", 0).load(delta_table_path)
df.show()
var df = spark.Read().Format("delta").Option("versionAsOf", 0).Load(deltaTablePath);
df.Show();
val df = spark.read.format("delta").option("versionAsOf", 0).load(deltaTablePath)
df.show()

结果:

ID
0
1
4
3
2

在这里,你可看到已返回到最早版本的数据。

将数据流写入表

还可使用 Spark 结构化流式处理来写入 Delta Lake 表。 即使有针对表并行运行的其他流或批处理查询,Delta Lake 事务日志也可确保仅处理一次。 默认情况下,流在追加模式下运行,这会将新记录添加到表中。

要详细了解 Delta Lake 与结构化流式处理的集成,请参阅表流读取和写入

下面的单元中是我们要进行的操作:

  • 单元 30:显示新追加的数据
  • 单元 31:查看历史记录
  • 单元 32:停止结构化流式处理作业
  • 单元 33:查看历史记录 <-- 你会发现追加已停止

首先要设置一个简单的 Spark 流式处理作业以生成序列,然后将该作业写入到 Delta 表。

streaming_df = spark.readStream.format("rate").load()
stream = streaming_df\
    .selectExpr("value as id")\
    .writeStream\
    .format("delta")\
    .option("checkpointLocation", "/tmp/checkpoint-{0}".format(session_id))\
    .start(delta_table_path)
var streamingDf = spark.ReadStream().Format("rate").Load();
var stream = streamingDf.SelectExpr("value as id").WriteStream().Format("delta").Option("checkpointLocation", $"/tmp/checkpoint-{sessionId}").Start(deltaTablePath);
val streamingDf = spark.readStream.format("rate").load()
val stream = streamingDf.select($"value" as "id").writeStream.format("delta").option("checkpointLocation", s"/tmp/checkpoint-$sessionId").start(deltaTablePath)

读取表中的更改流

当流写入 Delta Lake 表后,你还可将该表作为流式处理源进行读取。 例如,可再启动一个流式处理查询,该查询打印对 Delta Lake 表所作的全部更改。

delta_table.toDF().sort(col("id").desc()).show(100)
deltaTable.ToDF().Sort(Col("id").Desc()).Show(100);
deltaTable.toDF.sort($"id".desc).show

结果:

ID
19
18
17
16
15
14
13
12
11
10
8
6
4
3
2
1
0
-1
-1
-1
delta_table.history().drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").show(20, 1000, False)
deltaTable.History().Drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").Show(20, 1000, false);
deltaTable.history.show

结果:

版本 timestamp operation operationParameters readVersion
5 2020-04-25 00:37:09 STREAMING UPDATE [outputMode -> Append, queryId -> d26b4f8a-7e5a-44f2-a5fb-23a7bd02aef7, epochId -> 0] 4
4 2020-04-25 00:36:27 MERGE [predicate -> (oldData.id = newData.id)] 3
3 2020-04-25 00:36:08 DELETE [predicate -> ["((id % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]] 2
2 2020-04-25 00:35:51 UPDATE [predicate -> ((id#744L % cast(2 as bigint)) = cast(0 as bigint))] 1
1 2020-04-25 00:35:05 WRITE [mode -> Overwrite, partitionBy -> []] 0
0 2020-04-25 00:34:34 WRITE [mode -> ErrorIfExists, partitionBy -> []] Null

在此,你需要删除一些不太关注列,从而简化历史记录视图的查看体验。

stream.stop()
delta_table.history().drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").show(100, 1000, False)
stream.Stop();
deltaTable.History().Drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").Show(100, 1000, false);
stream.stop
deltaTable.history.show

结果:

版本 timestamp operation operationParameters readVersion
5 2020-04-25 00:37:09 STREAMING UPDATE [outputMode -> Append, queryId -> d26b4f8a-7e5a-44f2-a5fb-23a7bd02aef7, epochId -> 0] 4
4 2020-04-25 00:36:27 MERGE [predicate -> (oldData.id = newData.id)] 3
3 2020-04-25 00:36:08 DELETE [predicate -> ["((id % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]] 2
2 2020-04-25 00:35:51 UPDATE [predicate -> ((id#744L % cast(2 as bigint)) = cast(0 as bigint))] 1
1 2020-04-25 00:35:05 WRITE [mode -> Overwrite, partitionBy -> []] 0
0 2020-04-25 00:34:34 WRITE [mode -> ErrorIfExists, partitionBy -> []] Null

将 Parquet 转换为 Delta

可执行从 Parquet 格式到 Delta 的就地转换。

在此,你需要测试现有表是否采用增量格式。

parquet_path = "/parquet/parquet-table-{0}".format(session_id)
data = spark.range(0,5)
data.write.parquet(parquet_path)
DeltaTable.isDeltaTable(spark, parquet_path)
var parquetPath = $"/parquet/parquet-table-{sessionId}";
var data = spark.Range(0,5);
data.Write().Parquet(parquetPath);
DeltaTable.IsDeltaTable(parquetPath)
val parquetPath = s"/parquet/parquet-table-$sessionId"
val data = spark.range(0,5)
data.write.parquet(parquetPath)
DeltaTable.isDeltaTable(parquetPath)

结果:

错误

你现在需要将数据转换为增量格式并验证其是否有效。

DeltaTable.convertToDelta(spark, "parquet.`{0}`".format(parquet_path))
DeltaTable.isDeltaTable(spark, parquet_path)
DeltaTable.ConvertToDelta(spark, $"parquet.`{parquetPath}`");
DeltaTable.IsDeltaTable(parquetPath)
DeltaTable.convertToDelta(spark, s"parquet.`$parquetPath`")
DeltaTable.isDeltaTable(parquetPath)

结果:

正确

SQL 支持

Delta 通过 SQL 支持表实用工具命令。 可使用 SQL 执行以下操作:

  • 获取 DeltaTable 的历史记录
  • 清空 DeltaTable
  • 将 Parquet 文件转换为 Delta
spark.sql("DESCRIBE HISTORY delta.`{0}`".format(delta_table_path)).show()
spark.Sql($"DESCRIBE HISTORY delta.`{deltaTablePath}`").Show();
spark.sql(s"DESCRIBE HISTORY delta.`$deltaTablePath`").show()

结果:

版本 timestamp userId userName operation operationParameters 作业 (job) 笔记本 clusterId readVersion isolationLevel isBlindAppend
5 2020-04-25 00:37:09 null null STREAMING UPDATE [outputMode -> Ap... null Null null 4 null true
4 2020-04-25 00:36:27 null null MERGE [predicate -> (ol... null Null null 3 null false
3 2020-04-25 00:36:08 null null DELETE [predicate -> ["(... null Null null 2 null false
2 2020-04-25 00:35:51 null null UPDATE [predicate -> ((i... null Null Null 1 null false
1 2020-04-25 00:35:05 null null WRITE [mode -> Overwrit... null Null Null 0 Null false
0 2020-04-25 00:34:34 null null WRITE [mode -> ErrorIfE... null Null Null Null null true
spark.sql("VACUUM delta.`{0}`".format(delta_table_path)).show()
spark.Sql($"VACUUM delta.`{deltaTablePath}`").Show();
spark.sql(s"VACUUM delta.`$deltaTablePath`").show()

结果:

path
abfss://data@arca...

现在,你将验证表是否不是增量格式表。 然后要使用 Spark SQL 将表转换为增量格式,并确认它已正确转换。

parquet_id = random.randint(0,1000)
parquet_path = "/parquet/parquet-table-{0}-{1}".format(session_id, parquet_id)
data = spark.range(0,5)
data.write.parquet(parquet_path)
DeltaTable.isDeltaTable(spark, parquet_path)
spark.sql("CONVERT TO DELTA parquet.`{0}`".format(parquet_path))
DeltaTable.isDeltaTable(spark, parquet_path)
var parquetId =  (new Random()).Next(10000000);
var parquetPath = $"/parquet/parquet-table-{sessionId}-{parquetId}";
var data = spark.Range(0,5);
data.Write().Parquet(parquetPath);
DeltaTable.IsDeltaTable(parquetPath);
spark.Sql($"CONVERT TO DELTA parquet.`{parquetPath}`");
DeltaTable.IsDeltaTable(parquetPath);
val parquetId = scala.util.Random.nextInt(1000)
val parquetPath = s"/parquet/parquet-table-$sessionId-$parquetId"
val data = spark.range(0,5)
data.write.parquet(parquetPath)
DeltaTable.isDeltaTable(parquetPath)
spark.sql(s"CONVERT TO DELTA parquet.`$parquetPath`")
DeltaTable.isDeltaTable(parquetPath)

结果:

正确

有关完整文档,请参阅 Delta Lake 文档页

有关详细信息,请参阅 Delta Lake 项目

后续步骤