Delta Lake 创建具有类似结构的表

Question

我在位置“/mnt/events-bronze”有一个青铜级三角洲湖表（events_bronze），数据从kafka流式传输到该表。 现在我希望能够从该表中获取 stream 并使用“foreachBatch”更新为银表（events_silver”。这可以使用青铜表作为源来实现。但是，在初始运行期间，由于 events_silver 不存在，我不断收到错误说 Delta 表不存在，这很明显。那么我如何 go 创建与 events_bronze 具有相同结构的 events_silver？我找不到 DDL 来做同样的事情。

def upsertToDelta(microBatchOutputDF: DataFrame, batchId: Long) {
  DeltaTable.forPath(spark, "/mnt/events-silver").as("silver")
    .merge(
      microBatchOutputDF.as("bronze"),
      "silver.id=bronze.id")
    .whenMatched().updateAll()
    .whenNotMatched().insertAll()
    .execute()
}
 events_bronze
      .writeStream
      .trigger(Trigger.ProcessingTime("120 seconds"))
      .format("delta")
      .foreachBatch(upsertToDelta _)
      .outputMode("update")
      .start()

在初始运行期间，问题是没有为路径“/mnt/events-silver”定义增量湖表。 我不确定如何在第一次运行时创建与“/mnt/events-bronze”相同的结构。

Answer 1

在开始 stream 写入/合并之前，检查表是否已经存在。 如果不使用空 dataframe 和架构（events_bronze）创建一个

  val exists = DeltaTable.isDeltaTable("/mnt/events-silver")

  if (!exists) {
    val emptyDF = spark.createDataFrame(spark.sparkContext.emptyRDD[Row], <schema of events_bronze>)
    emptyDF
      .write
      .format("delta")
      .mode(SaveMode.Overwrite)
      .save("/mnt/events-silver")
  }

表（delta 湖元数据）将在开始时仅创建一次，如果它不存在。 在作业重新启动的情况下，它将存在并跳过表创建

Answer 2

从 Delta Lake 的 1.0.0 版开始，添加了DeltaTable.createIfNotExists()方法（Evolving API）。

在您的示例DeltaTable.forPath(spark, "/mnt/events-silver")可以替换为：

DeltaTable.createIfNotExists(spark)
  .location("/mnt/events-silver")
  .addColumns(microBatchOutputDF.schema)
  .execute

您必须小心不要提供.option("checkpointLocation", "/mnt/events-silver/_checkpoint") ，其中 checkpointLocation 是 DeltaTable 位置中的子目录。 这将导致在 DeltaTable 之前创建 _checkpoint 目录，并且在尝试创建 DeltaTable 时将引发异常。

Answer 3

您可以使用 spark SQL 检查该表。 首先在 spark SQL 上运行，它将给出青铜表的表定义：

spark.sql("show create table event_bronze").show

获得 DDL 后，只需将位置更改为 silver table 的路径并运行该语句是 spark SQL。

注意：使用“如果不存在则创建表......”因为它不会在并发运行中失败。

Answer 4

这是一个 pyspark 示例：

from pyspark.sql.types import StructType, StructField, StringType, TimestampType
from delta.tables import DeltaTable

basePath = 'abfss://stage2@your_storage_account_name.dfs.core.windows.net'
schema = StructType([StructField('SignalType', StringType()),StructField('StartTime', TimestampType())])

if not DeltaTable.isDeltaTable(spark, basePath + '/tutorial_01/test1'):
    emptyDF = spark.createDataFrame(spark.sparkContext.emptyRDD(), schema)
    emptyDF.write.format('delta').mode('overwrite').save(basePath + '/tutorial_01/test1')