您好,登錄后才能下訂單哦!
本篇文章為大家展示了數(shù)據(jù)湖DeltaLake中的DDL操作是怎么實現(xiàn)的,內(nèi)容簡明扼要并且容易理解,絕對能使你眼前一亮,通過這篇文章的詳細介紹希望你能有所收獲。
前面講了delta lake簡介,特性及基本操作。本文主要是講DeltaLake的DDL操作,實際上是依賴于spark datasourcev2 和catalog API(3.0+)的,所以Deltalake整合spark的時候最好是3.0開始吧,正好最近spark 3.0也發(fā)布了。
對創(chuàng)建sparksession有點要求,需要加上兩個配置:
valspark = SparkSession .builder() .appName(this.getClass.getCanonicalName) .master("local[2]") .config("spark.sql.extensions", "io.delta.sql.DeltaSparkSessionExtension") .config("spark.sql.catalog.spark_catalog", "org.apache.spark.sql.delta.catalog.DeltaCatalog") .getOrCreate()
1. 創(chuàng)建表
deltalake創(chuàng)建一張表有兩種方式:
1). DataFrameWriter,這個大家不陌生,spark默認寫文件的方式。
df.write.format("delta").saveAsTable("events") // create table in the metastore
df.write.format("delta").save("/delta/events") // create table by path
2). DeltaLake也支持使用spark sql新的DDL操作來創(chuàng)建表,CREATE TABLE.
-- Create table in the metastoreCREATE TABLE events ( date DATE, eventId STRING, eventType STRING, data STRING)USING DELTA
?
當(dāng)創(chuàng)建使用Deltalake在metastore中創(chuàng)建一張表的時候,會在metastore中記錄數(shù)據(jù)的位置信息。這樣好處很明顯,其他人使用的時候就比較方便查找,不用關(guān)注數(shù)據(jù)的真是存儲位置。然而,metastore里不會存儲數(shù)據(jù)內(nèi)容是否有效。
2.數(shù)據(jù)分區(qū)
生產(chǎn)中使用構(gòu)建數(shù)倉的時候會對數(shù)據(jù)進行分區(qū)操作,加速查詢,優(yōu)化DML操作。使用Delta lake創(chuàng)建分區(qū)表的時候,只需要指定一個分區(qū)列即可。下面是一個按照常見的按照時間進行分區(qū)的例子:
1).DDL操作
-- Create table in the metastoreCREATE TABLE events ( date DATE, eventId STRING, eventType STRING, data STRING)USING DELTAPARTITIONED BY (date)LOCATION '/delta/events'
2).Scala API
df.write.format("delta").partitionBy("date").saveAsTable("events") // create table in the metastoredf.write.format("delta").partitionBy("date").save("/delta/events") // create table by path
3.指定存儲位置
其實,我們可以控制Delta lake的表數(shù)據(jù)文件的存儲位置,在寫DDL的時候可以指定path。
這個其實很像hive 的外部表的功能,指定位置的delta lake的表,可以視為是不會被metastore管理的,這種表在刪除的時候,不會被真實刪除數(shù)據(jù)。
假設(shè)創(chuàng)建Delta lake表的時候,指定的路徑里數(shù)據(jù)文件已經(jīng)存在,創(chuàng)建的時候delta lake 會做以下事情:
1).如果你僅僅在創(chuàng)建的時候指定了表名稱和路徑,如下:
CREATE TABLE eventsUSING DELTALOCATION '/delta/events'
hive metastore的表會自動從存在的數(shù)據(jù)中推斷出schema,partition,和屬性。該功能可用于將數(shù)據(jù)導(dǎo)入metastore中。
2).假設(shè)你指定了一些配置(schema,partition,或者表的屬性),delta lake只會從已有數(shù)據(jù)中識別出你指定的配置信息,而不是全部配置。假設(shè)你指定的配置在已有數(shù)據(jù)中不存在,那么會拋出不一致異常。
3.讀數(shù)據(jù)
數(shù)據(jù)可以直接支持sql查詢,老spark用戶也可以直接使用dataframe api去查詢數(shù)據(jù)。
sql查詢
SELECT * FROM events -- query table in the metastore
SELECT * FROM delta.`/delta/events` -- query table by path
dataframe查詢
spark.table("events") // query table in the metastore
spark.read.format("delta").load("/delta/events") // create table by path
dataframe會自動讀取最新的數(shù)據(jù)快照,用戶不需要進行refresh table。當(dāng)可以使用謂詞下推的時候 delta lake會自動使用分區(qū)器和統(tǒng)計信息進行優(yōu)化查詢,進而減少數(shù)據(jù)加載。
4.寫數(shù)據(jù)
a).Append
spark自身的append模式就可以完成往已有表里追加數(shù)據(jù):
df.write.format("delta").mode("append").save("/delta/events")df.write.format("delta").mode("append").saveAsTable("events")
當(dāng)然,delta 也支持insert into:
INSERT INTO events SELECT * FROM newEvents
b).overwrite
delta lake也支持直接覆蓋整張表,直接使用overwrite模式即可。
dataframe api如下:
df.write.format("delta").mode("overwrite").save("/delta/events")df.write.format("delta").mode("overwrite").saveAsTable("events")
SQL API格式如下:
INSERT OVERWRITE events SELECT * FROM newEvents
使用Dataframe的時候,也可以支持只是覆蓋指定分區(qū)的數(shù)據(jù)。下面的例子就是只覆蓋一月份的數(shù)據(jù):
df.write .format("delta") .mode("overwrite") .option("replaceWhere", "date >= '2017-01-01' AND date <= '2017-01-31'") .save("/delta/events")
這段代碼會自動將數(shù)據(jù)以dataframe的形式寫出到指定的deltalake表分區(qū)里,然后執(zhí)行原子替換。
注意:
默認delta lake只支持數(shù)據(jù)的覆蓋,不支持schema的覆蓋替換。
上述內(nèi)容就是數(shù)據(jù)湖DeltaLake中的DDL操作是怎么實現(xiàn)的,你們學(xué)到知識或技能了嗎?如果還想學(xué)到更多技能或者豐富自己的知識儲備,歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。