Condividi tramite

Informazioni di riferimento sul linguaggio SQL per Delta Live Tables

  • Articolo

Questo articolo contiene informazioni dettagliate sull'interfaccia di programmazione SQL di Delta Live Tables.

È possibile usare funzioni definite dall'utente Python nelle query SQL, ma è necessario definire queste funzioni definite dall'utente nei file Python prima di chiamarle nei file di origine SQL. Vedere Funzioni scalari definite dall'utente - Python.

Limiti

La clausola PIVOT non è supportata. L'operazione pivot in Spark richiede il caricamento eager dei dati di input per calcolare lo schema dell'output. Questa funzionalità non è supportata in Delta Live Tables.

Creare una vista materializzata o una tabella di streaming Delta Live Tables

Nota

  • La sintassi CREATE OR REFRESH LIVE TABLE per creare una vista materializzata è deprecata. Usare invece CREATE OR REFRESH MATERIALIZED VIEW.
  • Per usare la clausola CLUSTER BY per abilitare il clustering liquido, la pipeline deve essere configurata per l'uso del canale di anteprima.

Per dichiarare una tabella di streaming o una vista materializzata, usare la stessa sintassi SQL di base.

Dichiarare una vista materializzata di tabelle live Delta con SQL

Di seguito viene descritta la sintassi per dichiarare una vista materializzata in Tabelle Live Delta con SQL:

CREATE OR REFRESH MATERIALIZED VIEW view_name [CLUSTER BY (col_name1, col_name2, ... )]
  [(
    [
    col_name1 col_type1 [ GENERATED ALWAYS AS generation_expression1 ] [ COMMENT col_comment1 ] [ column_constraint ] [ MASK func_name [ USING COLUMNS ( other_column_name | constant_literal [, ...] ) ] ],
    col_name2 col_type2 [ GENERATED ALWAYS AS generation_expression2 ] [ COMMENT col_comment2 ] [ column_constraint ] [ MASK func_name [ USING COLUMNS ( other_column_name | constant_literal [, ...] ) ] ],
    ...
    ]
    [
    CONSTRAINT expectation_name_1 EXPECT (expectation_expr1) [ON VIOLATION { FAIL UPDATE | DROP ROW }],
    CONSTRAINT expectation_name_2 EXPECT (expectation_expr2) [ON VIOLATION { FAIL UPDATE | DROP ROW }],
    ...
    ]
    [ table_constraint ] [, ...]
  )]
  [USING DELTA]
  [PARTITIONED BY (col_name1, col_name2, ... )]
  [LOCATION path]
  [COMMENT table_comment]
  [TBLPROPERTIES (key1 [ = ] val1, key2 [ = ] val2, ... )]
  [ WITH { ROW FILTER func_name ON ( [ column_name | constant_literal [, ...] ] ) [...] } ]
  AS select_statement

Dichiarare una tabella di streaming di tabelle live Delta con SQL

È possibile dichiarare tabelle di streaming solo usando query che leggono su un'origine di streaming. Databricks consiglia di usare il caricatore automatico per l'inserimento in streaming di file dall'archiviazione di oggetti cloud. Vedere sintassi SQL del caricatore automatico.

Quando si specificano altre tabelle o viste nella pipeline come origini di streaming, è necessario includere la funzione STREAM() intorno a un nome di set di dati.

Di seguito viene descritta la sintassi per dichiarare una tabella di streaming in tabelle Live Delta con SQL:

CREATE OR REFRESH [TEMPORARY] STREAMING TABLE table_name [CLUSTER BY (col_name1, col_name2, ... )]
  [(
    [
    col_name1 col_type1 [ GENERATED ALWAYS AS generation_expression1 ] [ COMMENT col_comment1 ] [ column_constraint ] [ MASK func_name [ USING COLUMNS ( other_column_name | constant_literal [, ...] ) ] ],
    col_name2 col_type2 [ GENERATED ALWAYS AS generation_expression2 ] [ COMMENT col_comment2 ] [ column_constraint ] [ MASK func_name [ USING COLUMNS ( other_column_name | constant_literal [, ...] ) ] ],
    ...
    ]
    [
    CONSTRAINT expectation_name_1 EXPECT (expectation_expr1) [ON VIOLATION { FAIL UPDATE | DROP ROW }],
    CONSTRAINT expectation_name_2 EXPECT (expectation_expr2) [ON VIOLATION { FAIL UPDATE | DROP ROW }],
    ...
    ]
    [ table_constraint ] [, ...]
  )]
  [USING DELTA]
  [PARTITIONED BY (col_name1, col_name2, ... )]
  [LOCATION path]
  [COMMENT table_comment]
  [TBLPROPERTIES (key1 [ = ] val1, key2 [ = ] val2, ... )]
  [ WITH { ROW FILTER func_name ON ( [ column_name | constant_literal [, ...] ] ) [...] } ]
  AS select_statement

Creare una vista Delta Live Tables

Di seguito viene descritta la sintassi per dichiarare le viste con SQL:

CREATE TEMPORARY [STREAMING] LIVE VIEW view_name
  [(
    [
    col_name1 [ COMMENT col_comment1 ],
    col_name2 [ COMMENT col_comment2 ],
    ...
    ]
    [
    CONSTRAINT expectation_name_1 EXPECT (expectation_expr1) [ON VIOLATION { FAIL UPDATE | DROP ROW }],
    CONSTRAINT expectation_name_2 EXPECT (expectation_expr2) [ON VIOLATION { FAIL UPDATE | DROP ROW }],
    ...
    ]
  )]
  [COMMENT view_comment]
  AS select_statement

Sintassi SQL del caricatore automatico

Di seguito viene descritta la sintassi per l'uso del caricatore automatico in SQL:

CREATE OR REFRESH STREAMING TABLE table_name
AS SELECT *
  FROM read_files(
    "<file-path>",
    "<file-format>",
    map(
      "<option-key>", "<option_value",
      "<option-key>", "<option_value",
      ...
    )
  )

È possibile usare le opzioni di formato supportate con Il caricatore automatico. Usando la map() funzione , è possibile passare le opzioni al read_files() metodo . Le opzioni sono coppie chiave-valore, in cui le chiavi e i valori sono stringhe. Per informazioni dettagliate sui formati e le opzioni di supporto, vedere Opzioni di formato file.

Esempio: Definire tabelle

È possibile creare un set di dati leggendo da un'origine dati esterna o da set di dati definiti in una pipeline. Per leggere da un set di dati interno, anteporre la parola chiave LIVE al nome del set di dati. L'esempio seguente definisce due set di dati diversi: una tabella denominata taxi_raw che accetta un file JSON come origine di input e una tabella denominata filtered_data che accetta la tabella taxi_raw come input:

CREATE OR REFRESH MATERIALIZED VIEW taxi_raw
AS SELECT * FROM json.`/databricks-datasets/nyctaxi/sample/json/`

CREATE OR REFRESH MATERIALIZED VIEW filtered_data
AS SELECT
  ...
FROM LIVE.taxi_raw

Esempio: Leggere da un'origine di streaming

Per leggere i dati da un'origine di streaming, ad esempio Auto Loader o un set di dati interno, definire una STREAMING tabella:

CREATE OR REFRESH STREAMING TABLE customers_bronze
AS SELECT * FROM read_files("/databricks-datasets/retail-org/customers/", "csv")

CREATE OR REFRESH STREAMING TABLE customers_silver
AS SELECT * FROM STREAM(LIVE.customers_bronze)

Per altre informazioni sullo streaming dei dati, vedere Trasformare i dati con tabelle live Delta.

Controllare la modalità di materializzazione delle tabelle

Le tabelle offrono anche un controllo aggiuntivo della materializzazione:

  • Specificare la modalità di partizionamento delle tabelle tramite PARTITIONED BY. È possibile usare il partizionamento per velocizzare le query.
  • È possibile impostare le proprietà della tabella usando TBLPROPERTIES. Vedere Proprietà della tabella Delta Live Tables.
  • Impostare una posizione di archiviazione usando l'impostazione LOCATION. Per impostazione predefinita, i dati della tabella vengono archiviati nella posizione di archiviazione della pipeline, se LOCATION non è impostato.
  • È possibile usare colonne generate nella definizione dello schema. Vedere Esempio: specificare uno schema e colonne di partizione.

Nota

Per le tabelle di dimensioni inferiori a 1 TB, Databricks consiglia di consentire a Delta Live Tables di controllare l'organizzazione dei dati. A meno che la tabella non cresca oltre un terabyte, Databricks consiglia di non specificare le colonne di partizione.

Esempio: specificare uno schema e colonne di partizione

Facoltativamente, è possibile specificare uno schema quando si definisce una tabella. Nell'esempio seguente viene specificato lo schema per la tabella di destinazione, incluso l'uso di colonne generate da Delta Lake e la definizione delle colonne di partizione per la tabella:

CREATE OR REFRESH MATERIALIZED VIEW sales
(customer_id STRING,
  customer_name STRING,
  number_of_line_items STRING,
  order_datetime STRING,
  order_number LONG,
  order_day_of_week STRING GENERATED ALWAYS AS (dayofweek(order_datetime))
) PARTITIONED BY (order_day_of_week)
COMMENT "Raw data on sales"
AS SELECT * FROM ...

Per impostazione predefinita, Delta Live Tables deduce lo schema dalla definizione table, se non si specifica uno schema.

Esempio: Definire vincoli di tabella

Nota

Il supporto di Delta Live Table per i vincoli di tabella è disponibile in anteprima pubblica. Per definire i vincoli di tabella, la pipeline deve essere una pipeline abilitata per il catalogo Unity e configurata per l'uso del canale preview.

Quando si specifica uno schema, è possibile definire chiavi primarie ed esterne. I vincoli sono informativi e non vengono applicati. Vedere la clausola VINCOLO nel riferimento al linguaggio SQL.

Nell'esempio seguente viene definita una tabella con un vincolo di chiave primaria ed esterna:

CREATE OR REFRESH MATERIALIZED VIEW sales
(customer_id STRING NOT NULL PRIMARY KEY,
  customer_name STRING,
  number_of_line_items STRING,
  order_datetime STRING,
  order_number LONG,
  order_day_of_week STRING GENERATED ALWAYS AS (dayofweek(order_datetime)),
  CONSTRAINT fk_customer_id FOREIGN KEY (customer_id) REFERENCES main.default.customers(customer_id)
)
COMMENT "Raw data on sales"
AS SELECT * FROM ...

Parametrizzare i valori usati durante la dichiarazione di tabelle o viste con SQL

Usare SET per specificare un valore di configurazione in una query che dichiara una tabella o una vista, incluse le configurazioni spark. Qualsiasi tabella o vista definita in un notebook dopo che l'istruzione SET ha accesso al valore definito. Tutte le configurazioni spark specificate usando l'istruzione SET vengono usate durante l'esecuzione della query Spark per qualsiasi tabella o vista dopo l'istruzione IMPOSTA. Per leggere un valore di configurazione in una query, usare la sintassi di interpolazione di stringhe ${}. L'esempio seguente imposta un valore di configurazione Spark denominato startDate e usa tale valore in una query:

SET startDate='2020-01-01';

CREATE OR REFRESH MATERIALIZED VIEW filtered
AS SELECT * FROM src
WHERE date > ${startDate}

Per specificare più valori di configurazione, usare un'istruzione SET separata per ogni valore.

Esempio: Definire un filtro di riga e una maschera di colonna

Importante

I filtri di riga e le maschere di colonna sono disponibili in anteprima pubblica.

Per creare una vista materializzata o una tabella di streaming con un filtro di riga e una maschera di colonna, utilizzare la clausola ROW FILTER e la clausola MASK. Nell'esempio seguente viene illustrato come definire una vista materializzata e una tabella di streaming con un filtro di riga e una maschera di colonna:

CREATE OR REFRESH STREAMING TABLE customers_silver (
  id int COMMENT 'This is the customer ID',
  name string,
  region string,
  ssn string MASK catalog.schema.ssn_mask_fn COMMENT 'SSN masked for privacy'
)
WITH ROW FILTER catalog.schema.us_filter_fn ON (region)
AS SELECT * FROM STREAM(LIVE.customers_bronze)

CREATE OR REFRESH MATERIALIZED VIEW sales (
  customer_id STRING MASK catalog.schema.customer_id_mask_fn,
  customer_name STRING,
  number_of_line_items STRING COMMENT 'Number of items in the order',
  order_datetime STRING,
  order_number LONG,
  order_day_of_week STRING GENERATED ALWAYS AS (dayofweek(order_datetime))
)
COMMENT "Raw data on sales"
WITH ROW FILTER catalog.schema.order_number_filter_fn ON (order_number)
AS SELECT * FROM LIVE.sales_bronze

Per altre informazioni sui filtri di riga e sulle maschere di colonna, vedere Pubblicare tabelle con filtri di riga e maschere di colonna.

Proprietà SQL

Nota

Per usare la clausola CLUSTER BY per abilitare il clustering liquido, la pipeline deve essere configurata per l'uso del canale di anteprima.

CREA TABELLA o VISUALIZZA
TEMPORARY

Creare una tabella, ma non pubblicare i metadati per la tabella. La clausola TEMPORARY dà l’istruzione a Delta Live Tables di creare una tabella disponibile per la pipeline, ma che non deve essere accessibile all'esterno della pipeline. Per ridurre il tempo di elaborazione, viene mantenuta una tabella temporanea per la durata della pipeline che la crea e non solo per un singolo aggiornamento.
STREAMING

Creare una tabella che legge un set di dati di input come flusso. Il set di dati di input deve essere un'origine dati di streaming, ad esempio Auto Loader o una tabella STREAMING.
CLUSTER BY

Abilitare il clustering liquido nella tabella e definire le colonne da usare come chiavi di clustering.

Vedere Usare il clustering liquido per le tabelle Delta.
PARTITIONED BY

Elenco facoltativo di una o più colonne da utilizzare per il partizionamento della tabella.
LOCATION

Posizione di archiviazione facoltativa per i dati della tabella. Se non è impostata, il sistema userà per impostazione predefinita la posizione di archiviazione della pipeline.
COMMENT

Una descrizione facoltativa per la tabella.
column_constraint

Una chiave primaria informativa facoltativa o un vincolo di chiave esterna nella colonna.
MASK clause (Anteprima pubblica)

Aggiunge una funzione maschera di colonna per rendere anonimi i dati sensibili. Le query future per tale colonna restituiscono il risultato della funzione valutata anziché il valore originale della colonna. Ciò è utile per il controllo di accesso con granularità fine, perché la funzione può controllare l'identità dell'utente e le appartenenze ai gruppi per decidere se redigere il valore.

Vedere Clausola maschera colonna.
table_constraint

Una chiave primaria informativa facoltativa o un vincolo di chiave esterna nella tabella.
TBLPROPERTIES

Elenco facoltativo di proprietà della tabella per la tabella.
WITH ROW FILTER clause (Anteprima pubblica)

Aggiungere una funzione di filtro di riga alla tabella. Le query future per tale tabella ricevono un subset delle righe per cui la funzione restituisce TRUE. Ciò è utile per il controllo di accesso con granularità fine, perché consente alla funzione di controllare l'identità e le appartenenze ai gruppi dell'utente che richiama per decidere se filtrare determinate righe.

Vedere la Clausola FILTRO DI RIGA.
select_statement

Query Delta Live Tables che definisce il set di dati per la tabella.
Clausola VINCOLO
EXPECT expectation_name

Definire il vincolo di qualità dei dati expectation_name. Se il vincolo ON VIOLATION non è definito, aggiungere righe che violano il vincolo al set di dati di destinazione.
ON VIOLATION

Azione facoltativa da eseguire per le righe non riuscite:

- FAIL UPDATE: arresta immediatamente l'esecuzione della pipeline.
- DROP ROW: eliminare il record e continuare l'elaborazione.

Change Data Capture con SQL in tabelle live Delta

Usare l'istruzione APPLY CHANGES INTO per usare la funzionalità CDC di Tabelle Live Delta, come descritto di seguito:

CREATE OR REFRESH STREAMING TABLE table_name;

APPLY CHANGES INTO LIVE.table_name
FROM source
KEYS (keys)
[IGNORE NULL UPDATES]
[APPLY AS DELETE WHEN condition]
[APPLY AS TRUNCATE WHEN condition]
SEQUENCE BY orderByColumn
[COLUMNS {columnList | * EXCEPT (exceptColumnList)}]
[STORED AS {SCD TYPE 1 | SCD TYPE 2}]
[TRACK HISTORY ON {columnList | * EXCEPT (exceptColumnList)}]

I vincoli di qualità dei dati per una destinazione APPLY CHANGES vengono definiti usando la stessa clausola CONSTRAINT delle query non APPLY CHANGES. Vedere Gestire la qualità dei dati con Delta Live Tables.

Nota

Il comportamento predefinito per INSERT e UPDATE gli eventi consiste nell'eseguire l'upsert degli eventi CDC dall'origine: aggiornare tutte le righe nella tabella di destinazione che corrispondono alle chiavi specificate o inserire una nuova riga quando un record corrispondente non esiste nella tabella di destinazione. La gestione degli eventi DELETE può essere specificata con la condizione APPLY AS DELETE WHEN.

Importante

È necessario dichiarare una tabella di streaming di destinazione in cui applicare le modifiche. Facoltativamente, è possibile specificare lo schema per la tabella di destinazione. Quando si specifica lo schema della tabella di destinazione APPLY CHANGES, è necessario includere anche le colonne __START_AT e __END_AT con lo stesso tipo di dati del campo sequence_by.

Vedere APPLICA MODIFICHE API: semplificare il Change Data Capture con Delta Live Tables.

Clausole
KEYS

La colonna o combinazione di colonne che identifica in modo univoco ogni riga. Viene usata per identificare quali eventi CDC si applicano a record specifici nella tabella di destinazione.

Per definire una combinazione di colonne, usare un elenco delimitato da virgole di colonne.

Questa clausola è obbligatoria.
IGNORE NULL UPDATES

Consentire l'inserimento di aggiornamenti contenenti un sottoinsieme delle colonne di destinazione. Quando un evento CDC corrisponde a una riga esistente e IGNORA AGGIORNAMENTI NULL è specificato, le colonne con un null mantengono i valori esistenti nella destinazione. Questo vale anche per le colonne nidificate con il valore null.

La clausola è facoltativa.

L'impostazione predefinita consiste nel sovrascrivere le colonne esistenti con valori null.
APPLY AS DELETE WHEN

Specifica quando un evento CDC deve essere considerato come un DELETE anziché un upsert. Per gestire i dati non ordinati, la riga eliminata viene temporaneamente mantenuta come rimozione definitiva nella tabella Delta sottostante e viene creata una vista nel metastore che filtra tali punti di recupero dell'applicazione. L'intervallo di conservazione può essere configurato con le
proprietà della tabella pipelines.cdc.tombstoneGCThresholdInSeconds .

La clausola è facoltativa.
APPLY AS TRUNCATE WHEN

Specifica quando un evento CDC deve essere considerato come una tabella TRUNCATE completa. Poiché questa clausola attiva un troncamento completo della tabella di destinazione, deve essere usata solo per casi d'uso specifici che richiedono questa funzionalità.

La clausola APPLY AS TRUNCATE WHEN è supportato solo per SCD di tipo 1. Il tipo SCD 2 non supporta l’operazione di troncamento.

La clausola è facoltativa.
SEQUENCE BY

Nome della colonna che specifica l'ordine logico degli eventi CDC nei dati di origine. Delta Live Tables usa questa sequenziazione per gestire gli eventi di modifica che arrivano senza ordinamento.

La colonna specificata deve essere un tipo di dati ordinabile.

Questa clausola è obbligatoria.
COLUMNS

Specifica un sottoinsieme di colonne da includere nella tabella di destinazione. È possibile:

- Specificare l'elenco completo di colonne da includere: COLUMNS (userId, name, city).
- Specificare un elenco di colonne da escludere: COLUMNS * EXCEPT (operation, sequenceNum)

La clausola è facoltativa.

L'impostazione predefinita consiste nell'includere tutte le colonne nella tabella di destinazione quando non viene specificata la clausola COLUMNS.
STORED AS

Indica se archiviare i record come SCCD di tipo 1 o SCD di tipo 2.

La clausola è facoltativa.

L'impostazione predefinita è il tipo 1.
TRACK HISTORY ON

Specifica un subset di colonne di output per generare record di cronologia quando sono presenti modifiche a tali colonne specificate. È possibile:

- Specificare l'elenco completo di colonne di cui tenere traccia: COLUMNS (userId, name, city).
- Specificare un elenco di colonne da escludere dal rilevamento: COLUMNS * EXCEPT (operation, sequenceNum)

La clausola è facoltativa. L'impostazione predefinita consiste nel tenere traccia della cronologia per tutte le colonne di output quando sono presenti modifiche, equivalenti a TRACK HISTORY ON *.