Linux Foundation Delta Lake – áttekintés

Cikk
06/01/2023

Ez a cikk át lett alakítva, hogy jobban érthető legyen az eredeti megfelelője itt. Ez a cikk segít gyorsan megismerni a Delta Lake főbb funkcióit. A cikk kódrészleteket tartalmaz, amelyek bemutatják, hogyan lehet olvasni és írni Delta Lake-táblákból interaktív, kötegelt és streamelési lekérdezésekből. A kódrészletek a PySpark, a Scala here és a C# jegyzetfüzetek készletében is elérhetők itt

A következőket fogjuk tárgyalni:

Tábla létrehozása
Adatok olvasása
Táblaadatok frissítése
Táblaadatok felülírása
Feltételes frissítés felülírás nélkül
Az adatok régebbi verzióinak olvasása a Time Travel használatával
Adatstream írása egy táblába
Változások adatfolyamának olvasása egy táblából
SQL-támogatás

Konfiguráció

Győződjön meg arról, hogy az alábbiakat a környezetének megfelelően módosítja.

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";

Találatok:

"/delta/delta-table-335323"

Tábla létrehozása

Delta Lake-tábla létrehozásához írjon ki egy DataFrame-et delta formátumban. A formátumot a Parquet, a CSV, a JSON stb. formátumról a különbözetre módosíthatja.

Az alábbi kód bemutatja, hogyan hozhat létre új Delta Lake-táblát a DataFrame-ből levont sémával.

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)

Találatok:

ID (Azonosító)
0
1
2
3
4

Adatok olvasása

A Delta Lake-táblában lévő adatokat a fájlok elérési útjának és a delta formátumának megadásával olvashatja el.

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()

Találatok:

ID (Azonosító)
1
3
4
0
2

Az eredmények sorrendje eltér a fentitől, mivel az eredmények kimenetelése előtt nem volt explicit módon megadott sorrend.

Táblaadatok frissítése

A Delta Lake számos műveletet támogat a táblák standard DataFrame API-k használatával történő módosításához. Ezek a műveletek a Delta formátum által hozzáadott fejlesztések egyike. Az alábbi példa egy kötegelt feladatot futtat a tábla adatainak felülírásához.

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()

Találatok:

ID (Azonosító)
7
8
5
9
6

Itt láthatja, hogy mind az öt rekord frissült az új értékek tárolására.

Mentés katalógustáblákként

A Delta Lake írhat felügyelt vagy külső katalógustáblákba.

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

Találatok:

adatbázis	tableName	ideiglenes
alapértelmezett	externaldeltatable	hamis
alapértelmezett	manageddeltatable	hamis

Ezzel a kóddal létrehozott egy új táblát a katalógusban egy meglévő adatkeretből, amelyet felügyelt táblának nevezünk. Ezután definiált egy új külső táblát a katalógusban, amely egy meglévő helyet, más néven külső táblát használ. A kimenetben mindkét tábla látható, függetlenül attól, hogy hogyan lettek létrehozva, a katalógusban szerepel.

Most már mindkét tábla kiterjesztett tulajdonságait megtekintheti

spark.sql("DESCRIBE EXTENDED ManagedDeltaTable").show(truncate=False)

spark.Sql("DESCRIBE EXTENDED ManagedDeltaTable").Show(truncate: 0);

spark.sql("DESCRIBE EXTENDED ManagedDeltaTable").show(truncate=false)

Találatok:

col_name	data_type	megjegyzés
id	bigint	null

Részletes táblázatadatok
Adatbázis	alapértelmezett
Tábla	manageddeltatable
Tulajdonos	trusted-service-user
Létrehozás ideje	Szo ápr 25 00:35:34 UTC 2020
Utolsó hozzáférés	Cs. jan. 01. 00:00:00 UTC 1970
Created By (Létrehozó)	Spark 2.4.4.2.6.99.201-11401300
Típus	KEZELT
Szolgáltató	delta
Táblázat tulajdonságai	[transient_lastDdlTime=1587774934]
Statisztika	2407 bájt
Hely	abfss://data@<data lake.dfs.core.windows.net/synapse/workspaces/>< workspace name>/warehouse/manageddeltatable
Serde-könyvtár	org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
InputFormat	org.apache.hadoop.mapred.SequenceFileInputFormat
OutputFormat	org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
Tárolási tulajdonságok	[szerializálás.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)

Találatok:

col_name	data_type	megjegyzés
id	bigint	null

Részletes táblázatadatok
Adatbázis	alapértelmezett
Tábla	externaldeltatable
Tulajdonos	trusted-service-user
Létrehozás ideje	Szo ápr 25 00:35:38 UTC 2020
Utolsó hozzáférés	Cs. jan. 01. 00:00:00 UTC 1970
Created By (Létrehozó)	Spark 2.4.4.2.6.99.201-11401300
Típus	KÜLSŐ
Szolgáltató	DELTA
Táblázat tulajdonságai	[transient_lastDdlTime=1587774938]
Hely	abfss://data@<data lake.dfs.core.windows.net/delta/delta-table-587152>
Serde-könyvtár	org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
InputFormat	org.apache.hadoop.mapred.SequenceFileInputFormat
OutputFormat	org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
Tárolási tulajdonságok	[szerializálás.format=1]

Feltételes frissítés felülírás nélkül

A Delta Lake programozott API-kat biztosít a feltételes frissítéshez, törléshez és adategyesítéshez (ezt a parancsot gyakran upsert-nek nevezik) a táblákban.

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

Találatok:

ID (Azonosító)
106
108
5
7
9

Itt most 100-t adott hozzá minden páros azonosítóhoz.

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

Találatok:

ID (Azonosító)
5
7
9

Figyelje meg, hogy minden páros sor törölve lett.

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()

Találatok:

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

Itt a meglévő adatok kombinációjával rendelkezik. A meglévő adatokhoz hozzá lett rendelve a -1 érték az update(WhenMatched) kódútvonalon. A kódrészlet tetején létrehozott és a beszúrási kód elérési útján (WhenNotMatched) hozzáadott új adatokat is hozzáadtuk.

Előzmények

A Delta Lake-nek lehetősége van egy tábla előzményeinek megtekintésére. Vagyis a mögöttes Delta-táblán végrehajtott módosítások. Az alábbi cella bemutatja, milyen egyszerű az előzmények vizsgálata.

delta_table.history().show(20, 1000, False)

deltaTable.History().Show(20, 1000, false);

deltaTable.history.show(false)

Találatok:

version	időbélyeg	userId	userName (Felhasználónév)	művelet	operationParameters	feladat	jegyzetfüzet	clusterId	readVersion	isolationLevel	isBlindAppend
4	2020-04-25 00:36:27	null	null	EGYESÍTÉSE	[predikátum -> (oldData.`ID` = newData.`ID`)]	null	null	null	3	null	hamis
3	2020-04-25 00:36:08	null	null	DELETE	[predikátum -> ["((`ID` % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]]	null	null	null	2	null	hamis
2	2020-04-25 00:35:51	null	null	UPDATE	[predikátum -> ((ID#744L % cast(2 as bigint)) = cast(0 as bigint))]	null	null	null	1	null	hamis
1	2020-04-25 00:35:05	null	null	ÍRNI	[mód -> Felülírás, partitionBy –> []]	null	null	null	0	null	hamis
0	2020-04-25 00:34:34	null	null	ÍRNI	[mód -> ErrorIfExists, partitionBy –> []]	null	null	null	null	null	true

Itt láthatja a fenti kódrészleteken végrehajtott összes módosítást.

Az adatok régebbi verzióinak olvasása a Time Travel használatával

A Delta Lake-tábla korábbi pillanatképeit a Time Travel nevű funkcióval kérdezheti le. Ha hozzá szeretne férni a felülírt adatokhoz, lekérdezheti a tábla pillanatképét, mielőtt felülírja az első adatkészletet a versionAsOf beállítással.

Az alábbi cella futtatása után látnia kell az első adatkészletet, mielőtt felülírja azokat. A Time Travel egy hatékony funkció, amely kihasználja a Delta Lake tranzakciónaplójának előnyeit a táblában már nem szereplő adatok eléréséhez. Ha eltávolítja a 0-s verziót (vagy megadja az 1-es verziót), ismét megjelennek az újabb adatok. További információ: Tábla régebbi pillanatképének lekérdezése.

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()

Találatok:

ID (Azonosító)
0
1
4
3
2

Itt láthatja, hogy visszament az adatok legkorábbi verziójára.

Adatstream írása táblázatba

Delta Lake-táblába is írhat a Spark strukturált streameléssel. A Delta Lake tranzakciónaplója pontosan egyszeri feldolgozást garantál, még akkor is, ha más streamek vagy kötegelt lekérdezések futnak egyidejűleg a táblán. Alapértelmezés szerint a streamek hozzáfűzési módban futnak, amely új rekordokat ad hozzá a táblához.

További információ a Delta Lake strukturált streameléssel való integrációjáról: Table Streaming Reads and Writes (Táblastreamelés olvasása és írása).

Az alábbi cellákban a következőket tesszük:

30. cella Az újonnan hozzáfűzött adatok megjelenítése
31. cella – Előzmények vizsgálata
32. cella: A strukturált streamelési feladat leállítása
33. cella – Előzmények <vizsgálata – Láthatja, hogy a hozzáfűzések leálltak

Először beállít egy egyszerű Spark Streaming-feladatot, amely létrehoz egy sorozatot, és írásra állítja a feladatot a Delta-táblába.

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)

Változások adatfolyamának beolvasása egy táblából

Miközben a stream a Delta Lake táblába ír, ebből a táblából is olvashat streamforrásként. Elindíthat például egy másik streamelési lekérdezést, amely kinyomtatja a Delta Lake-tábla összes módosítását.

delta_table.toDF().sort(col("id").desc()).show(100)

deltaTable.ToDF().Sort(Col("id").Desc()).Show(100);

deltaTable.toDF.sort($"id".desc).show

Találatok:

ID (Azonosító)
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

Találatok:

version	időbélyeg	művelet	operationParameters	readVersion
5	2020-04-25 00:37:09	STREAMELÉSI FRISSÍTÉS	[outputMode -> Append, queryId –> d26b4f8a-7e5a-44f2-a5fb-23a7bd02aef7, epochId –> 0]	4
4	2020-04-25 00:36:27	EGYESÍTÉSE	[predikátum -> (oldData.`id` = newData.`id`)]	3
3	2020-04-25 00:36:08	DELETE	[predikátum -> ["((`id` % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]]	2
2	2020-04-25 00:35:51	UPDATE	[predikátum -> ((id#744L % cast(2 as bigint)) = cast(0 as bigint))]	1
1	2020-04-25 00:35:05	ÍRNI	[mód –> Felülírás, partitionBy –> []]	0
0	2020-04-25 00:34:34	ÍRNI	[mód –> ErrorIfExists, partitionBy –> []]	null

Itt néhány kevésbé érdekes oszlopot elvet, hogy egyszerűbbé tegye az előzmények nézetének megtekintését.

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

Találatok:

version	időbélyeg	művelet	operationParameters	readVersion
5	2020-04-25 00:37:09	STREAMELÉSI FRISSÍTÉS	[outputMode -> Append, queryId –> d26b4f8a-7e5a-44f2-a5fb-23a7bd02aef7, epochId –> 0]	4
4	2020-04-25 00:36:27	EGYESÍTÉSE	[predikátum -> (oldData.`id` = newData.`id`)]	3
3	2020-04-25 00:36:08	DELETE	[predikátum -> ["((`id` % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]]	2
2	2020-04-25 00:35:51	UPDATE	[predikátum -> ((id#744L % cast(2 as bigint)) = cast(0 as bigint))]	1
1	2020-04-25 00:35:05	ÍRNI	[mód –> Felülírás, partitionBy –> []]	0
0	2020-04-25 00:34:34	ÍRNI	[mód –> ErrorIfExists, partitionBy –> []]	null

Parquet konvertálása Deltára

A Parquet formátumból a Delta formátumba történő helyben konvertálást is elvégezheti.

Itt tesztelni fogja, hogy a meglévő tábla különbözeti formátumban van-e.

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)

Találatok:

Hamis

Most átalakítja az adatokat delta formátumra, és ellenőrzi, hogy működött-e.

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)

Találatok:

Igaz

SQL-támogatás

A Delta az SQL-en keresztül támogatja a table utility parancsokat. Az SQL-t a következőre használhatja:

DeltaTable előzményeinek lekérése
DeltaTable vákuum
Parquet-fájl konvertálása Deltára

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()

Találatok:

version	időbélyeg	userId	userName (Felhasználónév)	művelet	operationParameters	feladat	jegyzetfüzet	clusterId	readVersion	isolationLevel	isBlindAppend
5	2020-04-25 00:37:09	null	null	STREAMELÉSI FRISSÍTÉS	[outputMode –> Ap...	null	null	null	4	null	true
4	2020-04-25 00:36:27	null	null	EGYESÍTÉSE	[predikátum -> (ol...	null	null	null	3	null	hamis
3	2020-04-25 00:36:08	null	null	DELETE	[predikátum -> ["(...	null	null	null	2	null	hamis
2	2020-04-25 00:35:51	null	null	UPDATE	[predikátum -> ((i...	null	null	null	1	null	hamis
1	2020-04-25 00:35:05	null	null	ÍRNI	[mód –> Felülírás...	null	null	null	0	null	hamis
0	2020-04-25 00:34:34	null	null	ÍRNI	[mód –> 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()

Találatok:

path
abfss://data@arca...

Most ellenőrizni fogja, hogy egy tábla nem különbözeti formátumú tábla-e. Ezután a Spark SQL használatával delta formátumba konvertálja a táblát, és meggyőződik arról, hogy megfelelően konvertálták.

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)

Találatok:

Igaz

A teljes dokumentációt a Delta Lake dokumentációs oldalán találja.

További információ: Delta Lake Project.

Share via

Linux Foundation Delta Lake – áttekintés

Konfiguráció

Tábla létrehozása

Adatok olvasása

Táblaadatok frissítése

Mentés katalógustáblákként

Feltételes frissítés felülírás nélkül

Előzmények

Az adatok régebbi verzióinak olvasása a Time Travel használatával

Adatstream írása táblázatba

Változások adatfolyamának beolvasása egy táblából

Parquet konvertálása Deltára

SQL-támogatás

Következő lépések

Visszajelzés

Visszajelzés

További források