azure - 如何防止重复条目进入Azure存储的Delta Lake

Question

我有一个以 delta 格式存储到 Adls 中的数据框，现在当我尝试将新的更新行附加到该 delta Lake 时，有什么方法可以删除 delta 中的旧现有记录并添加新记录更新记录。

Delta 中存储的 DataFrame 模式有一个唯一的列。通过它我们可以检查记录是更新的还是新的。

Answer 1

这是 Merge command 的任务- 您定义合并条件(您的唯一列)，然后定义操作。在 SQL 中，它可能如下所示(column 是您的唯一列，updates 可能是注册为临时 View 的数据框):

MERGE INTO destination
USING updates
ON destination.column = updates.column
WHEN MATCHED THEN
  UPDATE SET *
WHEN NOT MATCHED
  THEN INSERT *

在 Python 中，它可能如下所示:

from delta.tables import *

deltaTable = DeltaTable.forPath(spark, "/data/destination/")

deltaTable.alias("dest").merge(
    updatesDF.alias("updates"),
    "dest.column = updates.column") \
  .whenMatchedUpdateAll() \
  .whenNotMatchedInsertAll() \
  .execute()