教程:三角洲湖

本教程介紹了Databricks上常見的Delta Lake操作，包括以下內容:

您可以在一個數據庫中運行本文中的示例Python、R、Scala和SQL代碼筆記本連接到數據庫集群．還可以在數據庫中運行本文中的SQL代碼查詢關聯於SQL倉庫在磚的SQL．

請注意

下麵的一些代碼示例使用由模式(也稱為數據庫)和表或視圖組成的兩級名稱空間表示法(例如，default.people10m)．用這些例子統一目錄，將兩級命名空間替換為由目錄、模式和表或視圖組成的三級命名空間表示法(例如，main.default.people10m)．

創建表

Databricks上創建的所有表默認使用Delta Lake。

請注意

Delta Lake是Databricks Runtime 8.0及以上版本中所有讀、寫和表創建命令的默認值。您可以使用δ關鍵字指定格式，如果使用Databricks Runtime 7.3 LTS。

              #從數據源加載數據。df＝火花．讀．負載（“/ databricks-datasets / learning-spark-v2 /人/ people-10m.delta”）#將數據寫入表。table_name＝“people_10m”df．寫．saveAsTable（table_name）
             

              圖書館（SparkR）sparkR.session（）#從數據源加載數據。df＝read.df（路徑＝“/ databricks-datasets / learning-spark-v2 /人/ people-10m.delta”）#將數據寫入表。table_name＝“people_10m”saveAsTable（df＝df，的表＝table_name）
             

              //從數據源加載數據。瓦爾人＝火花．讀．負載（“/ databricks-datasets / learning-spark-v2 /人/ people-10m.delta”）//將數據寫入表瓦爾table_name＝“people_10m”人．寫．saveAsTable（“people_10m”）
             

              下降表格如果存在people_10m；創建表格如果不存在people_10m作為選擇＊從δ．｀／磚-數據集/學習-火花-v2/人/人-10米．δ｀；
             

以上操作將創建一個新的管理表通過使用從數據推斷出的模式。有關創建Delta表時可用選項的信息，請參見創建表．

對於托管表，Databricks確定數據的位置。要獲取位置，可以使用描述的細節語句，例如:

              顯示（火花．sql（描述詳細people_10m）)
             

              顯示（sql（“描述詳細people_10m”）)
             

              顯示（火花．sql（“描述詳細people_10m”）)
             

              描述細節people_10m；
             

有時，您可能希望在插入數據之前指定模式來創建表。你可以用SQL完成:

             創建表格如果不存在people10m（idINT，firstName字符串，middleName字符串，姓字符串，性別字符串，生日時間戳，ssn字符串，工資INT）創建或取代表格people10m（idINT，firstName字符串，middleName字符串，姓字符串，性別字符串，生日時間戳，ssn字符串，工資INT）
            

你也可以使用DeltaTableBuilderDelta Lake中的API來創建表。與DataFrameWriter API相比，該API更容易指定附加信息，如列注釋、表屬性和生成的列．

預覽

此功能已在公共預覽．

請注意

此特性在Databricks Runtime 8.3及以上版本上可用。

              #在metastore中創建表DeltaTable．createIfNotExists（火花）＼．的表（“default.people10m”）＼．addColumn（“id”，“INT”）＼．addColumn（“firstName”，“字符串”）＼．addColumn（“middleName”，“字符串”）＼．addColumn（“姓”，“字符串”，評論＝“姓”）＼．addColumn（“性別”，“字符串”）＼．addColumn（“生日”，“時間戳”）＼．addColumn（“ssn”，“字符串”）＼．addColumn（“工資”，“INT”）＼．執行（）#創建或替換表的路徑和添加屬性DeltaTable．createOrReplace（火花）＼．addColumn（“id”，“INT”）＼．addColumn（“firstName”，“字符串”）＼．addColumn（“middleName”，“字符串”）＼．addColumn（“姓”，“字符串”，評論＝“姓”）＼．addColumn（“性別”，“字符串”）＼．addColumn（“生日”，“時間戳”）＼．addColumn（“ssn”，“字符串”）＼．addColumn（“工資”，“INT”）＼．財產（“描述”，“人員數據表”）＼．位置（“/ tmp /δ/ people10m”）＼．執行（）
             

              //在metastore中創建表DeltaTable．createOrReplace（火花）．的表（“default.people10m”）．addColumn（“id”，“INT”）．addColumn（“firstName”，“字符串”）．addColumn（“middleName”，“字符串”）．addColumn（DeltaTable．columnBuilder（“姓”）．數據類型（“字符串”）．評論（“姓”）．構建（))．addColumn（“姓”，“字符串”，評論＝“姓”）．addColumn（“性別”，“字符串”）．addColumn（“生日”，“時間戳”）．addColumn（“ssn”，“字符串”）．addColumn（“工資”，“INT”）．執行（）//創建或替換表的路徑，並添加屬性DeltaTable．createOrReplace（火花）．addColumn（“id”，“INT”）．addColumn（“firstName”，“字符串”）．addColumn（“middleName”，“字符串”）．addColumn（DeltaTable．columnBuilder（“姓”）．數據類型（“字符串”）．評論（“姓”）．構建（))．addColumn（“姓”，“字符串”，評論＝“姓”）．addColumn（“性別”，“字符串”）．addColumn（“生日”，“時間戳”）．addColumn（“ssn”，“字符串”）．addColumn（“工資”，“INT”）．財產（“描述”，“人員數據表”）．位置（“/ tmp /δ/ people10m”）．執行（）
             

插入到一個表

要將一組更新和插入合並到現有的Delta表中，可以使用合並成聲明。例如，下麵的語句從源表中獲取數據並將其合並到目標Delta表中。當兩個表中都有匹配的行時，Delta Lake使用給定的表達式更新數據列。當沒有匹配的行時，Delta Lake會添加一個新行。這個操作被稱為插入．

             創建或取代臨時視圖people_updates（id，firstName，middleName，姓，性別，生日，ssn，工資）作為值（9999998，“比利”，“湯米·”，“Luppitt”，“米”，1992 - 09 - 17 t04:00:00.000 + 0000的，“953-38-9452”，55250)，（9999999，“伊萊亞斯”，“西裏爾”，“利百特”，“米”，1984 - 05 - 22 t04:00:00.000 + 0000的，“906-51-2137”，48500)，（10000000，“約書亞”，‘底盤’，“Broggio”，“米”，1968 - 07 - 22 t04:00:00.000 + 0000的，“988-61-6247”，90000)，（20000001，“約翰。”，”，“母鹿”，“米”，1978 - 01 - 14 - t04:00:00.000 + 000的，“345-67-8901”，55500)，（20000002，“瑪麗”，”，“史密斯”，“F”，1982 - 10 - 29 t01:00:00.000 + 000，“456-78-9012”，98250)，（20000003，“簡”，”，“母鹿”，“F”，1981 - 06 - 25 - t04:00:00.000 + 000的，“567-89-0123”，89900）;合並成people_10m使用people_updates在people_10m．id＝people_updates．id當匹配然後更新集＊當不匹配然後插入＊；
            

如果你指定＊，這將更新或插入目標表中的所有列。這假設源表與目標表中的列相同，否則查詢將拋出分析錯誤。

執行命令時，必須為表中的每一列指定值插入操作(例如，當現有數據集中沒有匹配行的時候)。但是，您不需要更新所有的值。

要查看結果，請查詢表。

             選擇＊從people_10m在哪裏id> =9999998
            

讀表格

通過表名或表路徑訪問Delta表中的數據，示例如下:

              people_df＝火花．讀．表格（table_name）顯示（people_df）# #或people_df＝火花．讀．負載（table_path）顯示（people_df）
             

              people_df＝tableToDF（table_name）顯示（people_df）
             

              瓦爾people_df＝火花．讀．表格（table_name）顯示（people_df）\ \orgydF4y2Ba瓦爾people_df＝火花．讀．負載（table_path）顯示（people_df）
             

              選擇＊從people_10m；選擇＊從δ．' <路徑-來-表格｀；
             

寫入表

Delta Lake使用標準語法向表中寫入數據。

若要原子地向現有Delta表添加新數據，請使用附加模式，示例如下:

              插入成people10m選擇＊從more_people
             

              df．寫．模式（“添加”）．saveAsTable（“people10m”）
             

              df．寫．模式（“添加”)．saveAsTable（“people10m”）
             

若要原子地替換表中的所有數據，請使用覆蓋模式，示例如下:

              插入覆蓋表格people10m選擇＊從more_people
             

              df．寫．模式（“覆蓋”）．saveAsTable（“people10m”）
             

              df．寫．模式（“覆蓋”)．saveAsTable（“people10m”）
             

更新表

可以更新與Delta表中的謂詞匹配的數據。例如，在一個名為people10m或者一條路徑/ tmp /δ/ people-10m中的縮寫，以更改性別列從米orgydF4y2BaF來男性orgydF4y2Ba女，可執行以下命令:

               更新people10m集性別＝“女”在哪裏性別＝“F”；更新people10m集性別＝“男”在哪裏性別＝“米”；更新δ．｀／tmp/δ/人-10米｀集性別＝“女”在哪裏性別＝“F”；更新δ．｀／tmp/δ/人-10米｀集性別＝“男”在哪裏性別＝“米”；
              

               從delta.tables進口＊從pyspark.sql.functions進口＊deltaTable＝DeltaTable．forPath（火花，“/ tmp /δ/ people-10m”）使用sql格式的字符串聲明謂詞。deltaTable．更新（條件＝"性別= 'F'"，集＝｛“性別”：“女”｝）使用Spark SQL函數聲明謂詞。deltaTable．更新（條件＝上校（“性別”）= =“米”，集＝｛“性別”：點燃（“男”）｝）
              

               進口io．δ．表．＿瓦爾deltaTable＝DeltaTable．forPath（火花，“/ tmp /δ/ people-10m”）//使用sql格式的字符串聲明謂詞。deltaTable．updateExpr（"性別= 'F'"，地圖（“性別”->“女”）進口org．apache．火花．sql．功能．＿進口火花．值得一提的．＿//使用Spark SQL函數和隱式來聲明謂詞。deltaTable．更新（上校（“性別”）＝＝＝“M”，地圖（“性別”->點燃（“男性”)));
              

從表中刪除

可以從Delta表中刪除與謂詞匹配的數據。例如，在一個名為people10m或者一條路徑/ tmp /δ/ people-10m的值，刪除與人員對應的所有行生日之前的專欄1955，可執行以下命令:

               刪除從people10m在哪裏生日<“1955-01-01”刪除從δ．｀／tmp/δ/人-10米｀在哪裏生日<“1955-01-01”
              

               從delta.tables進口＊從pyspark.sql.functions進口＊deltaTable＝DeltaTable．forPath（火花，“/ tmp /δ/ people-10m”）使用sql格式的字符串聲明謂詞。deltaTable．刪除（"出生日期< '1955-01-01'"）使用Spark SQL函數聲明謂詞。deltaTable．刪除（上校（“生日”）<“1960-01-01”）
              

               進口io．δ．表．＿瓦爾deltaTable＝DeltaTable．forPath（火花，“/ tmp /δ/ people-10m”）//使用sql格式的字符串聲明謂詞。deltaTable．刪除（"出生日期< '1955-01-01'"）進口org．apache．火花．sql．功能．＿進口火花．值得一提的．＿//使用Spark SQL函數和隱式來聲明謂詞。deltaTable．刪除（上校（“生日”）<“1955-01-01”）
              

重要的

刪除從Delta表的最新版本中刪除數據，但不會從物理存儲中刪除數據，直到顯式地清空舊版本。看到真空獲取詳細信息。

顯示表曆史

要查看表的曆史記錄，使用描述曆史語句，該語句為每次寫入表提供來源信息，包括表版本、操作、用戶等。

             描述曆史people_10m
            

查詢表的早期版本(時間旅行)

Delta Lake時間旅行允許您查詢Delta表的舊快照。

類中指定版本或時間戳，可查詢表的舊版本選擇聲明。例如，要從上麵的曆史記錄中查詢版本0，使用:

             選擇＊從people_10m版本作為的0
            

orgydF4y2Ba

             選擇＊從people_10m時間戳作為的“2019-01-29 00:37:58”
            

對於時間戳，隻接受日期或時間戳字符串，例如，“2019-01-01”而且“2019 - 01 - 01 - 00:00:00.000Z”．

DataFrameReader選項允許你從固定到特定版本的Delta表中創建一個DataFrame，例如在Python中:

             df1＝火花．讀．格式（“δ”）．選項（“timestampAsOf”，“2019-01-01”）．表格（“people_10m”）顯示（df1）
            

或者,交替:

             df2＝火花．讀．格式（“δ”）．選項（“versionAsOf”，0）．表格（“people_10m”）顯示（df2）
            

詳細信息請參見工作與三角洲湖表曆史．

優化表

對表執行多次更改後，可能會有很多小文件。要提高讀查詢的速度，可以使用優化將小文件壓縮成大文件:

             優化people_10m
            

按列的z軸順序

為了進一步提高讀取性能，您可以通過z - order在同一組文件中同時定位相關信息。Delta Lake數據跳過算法自動使用這種共局部性，以顯著減少需要讀取的數據量。類中指定要排序的列ZORDER通過條款。例如，與…共同定位性別運行:

             優化people_10mZORDER通過（性別）
            

獲取運行時可用的全套選項優化,請參閱緊湊的數據文件與優化三角洲湖．

使用`真空`

Delta Lake為讀取提供快照隔離，這意味著它可以安全運行優化即使其他用戶或作業正在查詢表。但是，您最終應該清理舊快照。可以通過運行真空命令:

             真空people_10m
            

有關使用的詳細資料真空有效地,看用吸塵器清除未使用的數據文件．