Linux Foundation Delta Lake の概要
この記事は、よりわかりやすくするために、元の対応する記事 (こちら) を改作したものです。 この記事は、Delta Lake の主な機能をすばやく確認するのに役立ちます。 この記事では、対話型、バッチ、ストリーミングの各クエリを使用して、Delta Lake テーブルに対して読み取りと書き込みを実行する方法を示すコード スニペットを提供します。 このコード スニペットは、一連のノートブック (PySpark、Scala、C#) でも入手できます。
ここで説明する内容は次のとおりです。
- テーブルを作成する
- データの読み取り
- テーブル データを更新する
- テーブル データを上書きする
- 上書きなしで条件付き更新を行う
- タイム トラベルを使用して古いバージョンのデータを読み取る
- データ ストリームをテーブルに書き込む
- テーブルから変更のストリームを読み取る
- SQL サポート
構成
必ず実際の環境に合わせて以下を変更してください。
import random
session_id = random.randint(0,1000000)
delta_table_path = "/delta/delta-table-{0}".format(session_id)
delta_table_path
var sessionId = (new Random()).Next(10000000);
var deltaTablePath = $"/delta/delta-table-{sessionId}";
deltaTablePath
val sessionId = scala.util.Random.nextInt(1000000)
val deltaTablePath = s"/delta/delta-table-$sessionId";
結果は次のようになります。
'/delta/delta-table-335323'
テーブルを作成する
Delta Lake テーブルを作成するには、DataFrame をデルタ形式の DataFrame に書き出します。 形式は、Parquet、CSV、JSON などからデルタに変更できます。
次のコードは、DataFrame から推論されたスキーマを使用して新しい Delta Lake テーブルを作成する方法を示しています。
data = spark.range(0,5)
data.show()
data.write.format("delta").save(delta_table_path)
var data = spark.Range(0,5);
data.Show();
data.Write().Format("delta").Save(deltaTablePath);
val data = spark.range(0, 5)
data.show
data.write.format("delta").save(deltaTablePath)
結果は次のようになります。
| id |
|---|
| 0 |
| 1 |
| 2 |
| 3 |
| 4 |
データの読み取り
ファイルへのパスとデルタ形式を指定して、Delta Lake テーブルのデータを読み取ります。
df = spark.read.format("delta").load(delta_table_path)
df.show()
var df = spark.Read().Format("delta").Load(deltaTablePath);
df.Show()
val df = spark.read.format("delta").load(deltaTablePath)
df.show()
結果は次のようになります。
| id |
|---|
| 1 |
| 3 |
| 4 |
| 0 |
| 2 |
結果を出力する前に順序が明示的に指定されていないため、結果の順序は上記とは異なります。
テーブル データを更新する
Delta Lake では、標準の DataFrame API を使ってテーブルを変更する操作がいくつかサポートされています。 これらの操作は、デルタ形式によって追加される機能強化の 1 つです。 次の例では、テーブル内のデータを上書きするバッチ ジョブを実行します。
data = spark.range(5,10)
data.write.format("delta").mode("overwrite").save(delta_table_path)
df.show()
var data = spark.Range(5,10);
data.Write().Format("delta").Mode("overwrite").Save(deltaTablePath);
df.Show();
val data = spark.range(5, 10)
data.write.format("delta").mode("overwrite").save(deltaTablePath)
df.show()
結果は次のようになります。
| id |
|---|
| 7 |
| 8 |
| 5 |
| 9 |
| 6 |
ここでは、5 つのレコードがすべて更新され、新しい値が保持されていることがわかります。
カタログ テーブルとして保存する
Delta Lake では、マネージドまたは外部カタログ テーブルに書き込むことができます。
data.write.format("delta").saveAsTable("ManagedDeltaTable")
spark.sql("CREATE TABLE ExternalDeltaTable USING DELTA LOCATION '{0}'".format(delta_table_path))
spark.sql("SHOW TABLES").show()
data.Write().Format("delta").SaveAsTable("ManagedDeltaTable");
spark.Sql($"CREATE TABLE ExternalDeltaTable USING DELTA LOCATION '{deltaTablePath}'");
spark.Sql("SHOW TABLES").Show();
data.write.format("delta").saveAsTable("ManagedDeltaTable")
spark.sql(s"CREATE TABLE ExternalDeltaTable USING DELTA LOCATION '$deltaTablePath'")
spark.sql("SHOW TABLES").show
結果は次のようになります。
| database | tableName | isTemporary |
|---|---|---|
| default | externaldeltatable | false |
| default | manageddeltatable | false |
このコードでは、既存のデータフレームから新しいテーブルをカタログに作成しました。これはマネージド テーブルと呼ばれます。 次に、既存の場所を使用する新しい外部テーブルをカタログに定義しました。これは外部テーブルと呼ばれます。 出力では、作成方法に関係なく、両方のテーブルがカタログに表示されます。
これで、これら両方のテーブルの拡張プロパティを確認できます。
spark.sql("DESCRIBE EXTENDED ManagedDeltaTable").show(truncate=False)
spark.Sql("DESCRIBE EXTENDED ManagedDeltaTable").Show(truncate: 0);
spark.sql("DESCRIBE EXTENDED ManagedDeltaTable").show(truncate=false)
結果は次のようになります。
| col_name | data_type | コメント |
|---|---|---|
| id | bigint | null |
| Detailed Table Information | ||
| データベース | default | |
| Table | manageddeltatable | |
| 所有者 | trusted-service-user | |
| Created Time | Sat Apr 25 00:35:34 UTC 2020 | |
| ［最終アクセス日時］ | Thu Jan 01 00:00:00 UTC 1970 | |
| 作成者 | Spark 2.4.4.2.6.99.201-11401300 | |
| Type | MANAGED | |
| プロバイダー | delta | |
| テーブルのプロパティ | [transient_lastDdlTime=1587774934] | |
| 統計 | 2407 bytes | |
| 場所 | abfss://data@<データ レイク>.dfs.core.windows.net/synapse/workspaces/<ワークスペース名>/warehouse/manageddeltatable | |
| Serde Library | org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe | |
| InputFormat | org.apache.hadoop.mapred.SequenceFileInputFormat | |
| OutputFormat | org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat | |
| Storage Properties | [serialization.format=1] |
spark.sql("DESCRIBE EXTENDED ExternalDeltaTable").show(truncate=False)
spark.Sql("DESCRIBE EXTENDED ExternalDeltaTable").Show(truncate: 0);
spark.sql("DESCRIBE EXTENDED ExternalDeltaTable").show(truncate=false)
結果は次のようになります。
| col_name | data_type | コメント |
|---|---|---|
| id | bigint | null |
| Detailed Table Information | ||
| データベース | default | |
| Table | externaldeltatable | |
| 所有者 | trusted-service-user | |
| Created Time | Sat Apr 25 00:35:38 UTC 2020 | |
| ［最終アクセス日時］ | Thu Jan 01 00:00:00 UTC 1970 | |
| 作成者 | Spark 2.4.4.2.6.99.201-11401300 | |
| Type | EXTERNAL | |
| プロバイダー | DELTA | |
| テーブルのプロパティ | [transient_lastDdlTime=1587774938] | |
| 場所 | abfss://data@<データ レイク>.dfs.core.windows.net/delta/delta-table-587152 | |
| Serde Library | org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe | |
| InputFormat | org.apache.hadoop.mapred.SequenceFileInputFormat | |
| OutputFormat | org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat | |
| Storage Properties | [serialization.format=1] |
上書きなしで条件付き更新を行う
Delta Lake では、データの条件付き更新、削除、テーブルへのマージ (このコマンドは一般にアップサートと呼ばれます) を実行するプログラムの API が提供されます。
from delta.tables import *
from pyspark.sql.functions import *
delta_table = DeltaTable.forPath(spark, delta_table_path)
delta_table.update(
condition = expr("id % 2 == 0"),
set = { "id": expr("id + 100") })
delta_table.toDF().show()
using Microsoft.Spark.Extensions.Delta;
using Microsoft.Spark.Extensions.Delta.Tables;
using Microsoft.Spark.Sql;
using static Microsoft.Spark.Sql.Functions;
var deltaTable = DeltaTable.ForPath(deltaTablePath);
deltaTable.Update(
condition: Expr("id % 2 == 0"),
set: new Dictionary<string, Column>(){{ "id", Expr("id + 100") }});
deltaTable.ToDF().Show();
import io.delta.tables._
import org.apache.spark.sql.functions._
val deltaTable = DeltaTable.forPath(deltaTablePath)
// Update every even value by adding 100 to it
deltaTable.update(
condition = expr("id % 2 == 0"),
set = Map("id" -> expr("id + 100")))
deltaTable.toDF.show
結果は次のようになります。
| id |
|---|
| 106 |
| 108 |
| 5 |
| 7 |
| 9 |
ここでは、すべての偶数の ID に 100 を加算しました。
delta_table.delete("id % 2 == 0")
delta_table.toDF().show()
deltaTable.Delete(condition: Expr("id % 2 == 0"));
deltaTable.ToDF().Show();
deltaTable.delete(condition = expr("id % 2 == 0"))
deltaTable.toDF.show
結果は次のようになります。
| id |
|---|
| 5 |
| 7 |
| 9 |
すべての偶数行が削除されていることがわかります。
new_data = spark.range(0,20).alias("newData")
delta_table.alias("oldData")\
.merge(new_data.alias("newData"), "oldData.id = newData.id")\
.whenMatchedUpdate(set = { "id": lit("-1")})\
.whenNotMatchedInsert(values = { "id": col("newData.id") })\
.execute()
delta_table.toDF().show(100)
var newData = spark.Range(20).As("newData");
deltaTable
.As("oldData")
.Merge(newData, "oldData.id = newData.id")
.WhenMatched()
.Update(new Dictionary<string, Column>() {{"id", Lit("-1")}})
.WhenNotMatched()
.Insert(new Dictionary<string, Column>() {{"id", Col("newData.id")}})
.Execute();
deltaTable.ToDF().Show(100);
val newData = spark.range(0, 20).toDF
deltaTable.as("oldData").
merge(
newData.as("newData"),
"oldData.id = newData.id").
whenMatched.
update(Map("id" -> lit(-1))).
whenNotMatched.
insert(Map("id" -> col("newData.id"))).
execute()
deltaTable.toDF.show()
結果は次のようになります。
| id |
|---|
| 18 |
| 15 |
| 19 |
| 2 |
| 1 |
| 6 |
| 8 |
| 3 |
| -1 |
| 10 |
| 13 |
| 0 |
| 16 |
| 4 |
| -1 |
| 12 |
| 11 |
| 14 |
| -1 |
| 17 |
ここでは、既存のデータの組み合わせがあります。 既存のデータには、更新コード パス (WhenMatched) で値 -1 が割り当てられています。 スニペットの先頭で作成され、挿入コード パス (WhenNotMatched) によって追加された新しいデータも追加されています。
履歴
Delta Lake には、テーブルの履歴を調べる機能があります。 これは、基になるデルタ テーブルに加えられた変更です。 次のセルは、履歴の調査がいかに簡単かを示しています。
delta_table.history().show(20, 1000, False)
deltaTable.History().Show(20, 1000, false);
deltaTable.history.show(false)
結果は次のようになります。
| version | timestamp | userId | userName | operation | operationParameters | ジョブ (job) | ノートブック | clusterId | readVersion | isolationLevel | isBlindAppend |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 4 | 2020-04-25 00:36:27 | null | null | MERGE | [predicate -> (oldData.ID = newData.ID)] |
null | null | null | 3 | null | false |
| 3 | 2020-04-25 00:36:08 | null | null | DELETE | [predicate -> ["((ID % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]] |
null | null | null | 2 | null | false |
| 2 | 2020-04-25 00:35:51 | null | null | UPDATE | [predicate -> ((ID#744L % cast(2 as bigint)) = cast(0 as bigint))] | null | null | null | 1 | null | false |
| 1 | 2020-04-25 00:35:05 | null | null | WRITE | [mode -> Overwrite, partitionBy -> []] | null | null | null | 0 | null | false |
| 0 | 2020-04-25 00:34:34 | null | null | WRITE | [mode -> ErrorIfExists, partitionBy -> []] | null | null | null | null | null | true |
ここでは、上記のコード スニペットに対して行われたすべての変更を確認できます。
タイム トラベルを使用して古いバージョンのデータを読み取る
タイム トラベルと呼ばれる機能を使用して、Delta Lake テーブルの以前のスナップショットを求めるクエリを実行できます。 上書きしたデータにアクセスする場合は、versionAsOf オプションを使用して、最初のデータ セットを上書きする前のテーブルのスナップショットを求めるクエリを実行できます。
次のセルを実行すると、上書きする前の最初のデータ セットが表示されます。 タイム トラベルは、Delta Lake トランザクション ログの機能を利用して、テーブルに存在しなくなったデータにアクセスする強力な機能です。 バージョン 0 オプションを削除すると (またはバージョン 1 を指定すると)、新しいデータが再び表示されます。 詳細については、「テーブルの古いスナップショットのクエリを実行する」をご覧ください。
df = spark.read.format("delta").option("versionAsOf", 0).load(delta_table_path)
df.show()
var df = spark.Read().Format("delta").Option("versionAsOf", 0).Load(deltaTablePath);
df.Show();
val df = spark.read.format("delta").option("versionAsOf", 0).load(deltaTablePath)
df.show()
結果は次のようになります。
| id |
|---|
| 0 |
| 1 |
| 4 |
| 3 |
| 2 |
ここでは、データの最も古いバージョンに戻っていることがわかります。
データ ストリームをテーブルに書き込む
Spark の構造化ストリーミングを使用して、Delta Lake テーブルに書き込むこともできます。 Delta Lake トランザクション ログでは、テーブルに対して他のストリームやバッチ クエリが同時に実行されている場合でも、1 回限りの処理が保証されます。 既定では、ストリームは追加モードで実行され、新しいレコードがテーブルに追加されます。
Delta Lake と構造化ストリーミングの統合の詳細については、「テーブル ストリーミングの読み取りと書き込み」をご覧ください。
次のセルでの実行内容を示します。
- セル 30: 新しく追加されたデータを表示する
- セル 31: 履歴を調べる
- セル 32: 構造化ストリーミング ジョブを停止する
- セル 33: 履歴を調べる <-- 追加が停止されたことがわかります
まず、シーケンスを生成する単純な Spark ストリーミング ジョブを設定し、そのジョブでデルタ テーブルへの書き込みを実行します。
streaming_df = spark.readStream.format("rate").load()
stream = streaming_df\
.selectExpr("value as id")\
.writeStream\
.format("delta")\
.option("checkpointLocation", "/tmp/checkpoint-{0}".format(session_id))\
.start(delta_table_path)
var streamingDf = spark.ReadStream().Format("rate").Load();
var stream = streamingDf.SelectExpr("value as id").WriteStream().Format("delta").Option("checkpointLocation", $"/tmp/checkpoint-{sessionId}").Start(deltaTablePath);
val streamingDf = spark.readStream.format("rate").load()
val stream = streamingDf.select($"value" as "id").writeStream.format("delta").option("checkpointLocation", s"/tmp/checkpoint-$sessionId").start(deltaTablePath)
テーブルから変更のストリームを読み取る
ストリームは Delta Lake テーブルに書き込まれますが、ストリーミング ソースとしてそのテーブルから読み取ることもできます。 たとえば、Delta Lake テーブルに加えられたすべての変更を出力する別のストリーミング クエリを開始できます。
delta_table.toDF().sort(col("id").desc()).show(100)
deltaTable.ToDF().Sort(Col("id").Desc()).Show(100);
deltaTable.toDF.sort($"id".desc).show
結果は次のようになります。
| id |
|---|
| 19 |
| 18 |
| 17 |
| 16 |
| 15 |
| 14 |
| 13 |
| 12 |
| 11 |
| 10 |
| 8 |
| 6 |
| 4 |
| 3 |
| 2 |
| 1 |
| 0 |
| -1 |
| -1 |
| -1 |
delta_table.history().drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").show(20, 1000, False)
deltaTable.History().Drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").Show(20, 1000, false);
deltaTable.history.show
結果は次のようになります。
| version | timestamp | operation | operationParameters | readVersion |
|---|---|---|---|---|
| 5 | 2020-04-25 00:37:09 | STREAMING UPDATE | [outputMode -> Append, queryId -> d26b4f8a-7e5a-44f2-a5fb-23a7bd02aef7, epochId -> 0] | 4 |
| 4 | 2020-04-25 00:36:27 | MERGE | [predicate -> (oldData.id = newData.id)] |
3 |
| 3 | 2020-04-25 00:36:08 | DELETE | [predicate -> ["((id % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]] |
2 |
| 2 | 2020-04-25 00:35:51 | UPDATE | [predicate -> ((id#744L % cast(2 as bigint)) = cast(0 as bigint))] | 1 |
| 1 | 2020-04-25 00:35:05 | WRITE | [mode -> Overwrite, partitionBy -> []] | 0 |
| 0 | 2020-04-25 00:34:34 | WRITE | [mode -> ErrorIfExists, partitionBy -> []] | null |
ここでは、履歴ビューの表示エクスペリエンスを簡素化するために、関心度が低い列を一部除外します。
stream.stop()
delta_table.history().drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").show(100, 1000, False)
stream.Stop();
deltaTable.History().Drop("userId", "userName", "job", "notebook", "clusterId", "isolationLevel", "isBlindAppend").Show(100, 1000, false);
stream.stop
deltaTable.history.show
結果は次のようになります。
| version | timestamp | operation | operationParameters | readVersion |
|---|---|---|---|---|
| 5 | 2020-04-25 00:37:09 | STREAMING UPDATE | [outputMode -> Append, queryId -> d26b4f8a-7e5a-44f2-a5fb-23a7bd02aef7, epochId -> 0] | 4 |
| 4 | 2020-04-25 00:36:27 | MERGE | [predicate -> (oldData.id = newData.id)] |
3 |
| 3 | 2020-04-25 00:36:08 | DELETE | [predicate -> ["((id % CAST(2 AS BIGINT)) = CAST(0 AS BIGINT))"]] |
2 |
| 2 | 2020-04-25 00:35:51 | UPDATE | [predicate -> ((id#744L % cast(2 as bigint)) = cast(0 as bigint))] | 1 |
| 1 | 2020-04-25 00:35:05 | WRITE | [mode -> Overwrite, partitionBy -> []] | 0 |
| 0 | 2020-04-25 00:34:34 | WRITE | [mode -> ErrorIfExists, partitionBy -> []] | null |
Parquet をデルタに変換する
Parquet 形式からデルタへのインプレース変換を実行できます。
ここでは、既存のテーブルがデルタ形式かどうかをテストします。
parquet_path = "/parquet/parquet-table-{0}".format(session_id)
data = spark.range(0,5)
data.write.parquet(parquet_path)
DeltaTable.isDeltaTable(spark, parquet_path)
var parquetPath = $"/parquet/parquet-table-{sessionId}";
var data = spark.Range(0,5);
data.Write().Parquet(parquetPath);
DeltaTable.IsDeltaTable(parquetPath)
val parquetPath = s"/parquet/parquet-table-$sessionId"
val data = spark.range(0,5)
data.write.parquet(parquetPath)
DeltaTable.isDeltaTable(parquetPath)
結果は次のようになります。
×
次に、データをデルタ形式に変換し、それが機能していることを確認します。
DeltaTable.convertToDelta(spark, "parquet.`{0}`".format(parquet_path))
DeltaTable.isDeltaTable(spark, parquet_path)
DeltaTable.ConvertToDelta(spark, $"parquet.`{parquetPath}`");
DeltaTable.IsDeltaTable(parquetPath)
DeltaTable.convertToDelta(spark, s"parquet.`$parquetPath`")
DeltaTable.isDeltaTable(parquetPath)
結果は次のようになります。
○
SQL サポート
デルタでは、SQL を使用したテーブル ユーティリティ コマンドがサポートされています。 SQL を使用して次のことができます。
- デルタ テーブルの履歴を取得する
- デルタ テーブルをバキュームする
- Parquet ファイルをデルタに変換する
spark.sql("DESCRIBE HISTORY delta.`{0}`".format(delta_table_path)).show()
spark.Sql($"DESCRIBE HISTORY delta.`{deltaTablePath}`").Show();
spark.sql(s"DESCRIBE HISTORY delta.`$deltaTablePath`").show()
結果は次のようになります。
| version | timestamp | userId | userName | operation | operationParameters | ジョブ (job) | ノートブック | clusterId | readVersion | isolationLevel | isBlindAppend |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 5 | 2020-04-25 00:37:09 | null | null | STREAMING UPDATE | [outputMode -> Ap... | null | null | null | 4 | null | true |
| 4 | 2020-04-25 00:36:27 | null | null | MERGE | [predicate -> (ol... | null | null | null | 3 | null | false |
| 3 | 2020-04-25 00:36:08 | null | null | DELETE | [predicate -> ["(... | null | null | null | 2 | null | false |
| 2 | 2020-04-25 00:35:51 | null | null | UPDATE | [predicate -> ((i... | null | null | null | 1 | null | false |
| 1 | 2020-04-25 00:35:05 | null | null | WRITE | [mode -> Overwrit... | null | null | null | 0 | null | false |
| 0 | 2020-04-25 00:34:34 | null | null | WRITE | [mode -> ErrorIfE... | null | null | null | null | null | true |
spark.sql("VACUUM delta.`{0}`".format(delta_table_path)).show()
spark.Sql($"VACUUM delta.`{deltaTablePath}`").Show();
spark.sql(s"VACUUM delta.`$deltaTablePath`").show()
結果は次のようになります。
| path |
|---|
| abfss://data@arca... |
ここでは、テーブルがデルタ形式テーブルではないことを検証します。 次に、Spark SQL を使ってテーブルをデルタ形式に変換し、正しく変換されたことを確認します。
parquet_id = random.randint(0,1000)
parquet_path = "/parquet/parquet-table-{0}-{1}".format(session_id, parquet_id)
data = spark.range(0,5)
data.write.parquet(parquet_path)
DeltaTable.isDeltaTable(spark, parquet_path)
spark.sql("CONVERT TO DELTA parquet.`{0}`".format(parquet_path))
DeltaTable.isDeltaTable(spark, parquet_path)
var parquetId = (new Random()).Next(10000000);
var parquetPath = $"/parquet/parquet-table-{sessionId}-{parquetId}";
var data = spark.Range(0,5);
data.Write().Parquet(parquetPath);
DeltaTable.IsDeltaTable(parquetPath);
spark.Sql($"CONVERT TO DELTA parquet.`{parquetPath}`");
DeltaTable.IsDeltaTable(parquetPath);
val parquetId = scala.util.Random.nextInt(1000)
val parquetPath = s"/parquet/parquet-table-$sessionId-$parquetId"
val data = spark.range(0,5)
data.write.parquet(parquetPath)
DeltaTable.isDeltaTable(parquetPath)
spark.sql(s"CONVERT TO DELTA parquet.`$parquetPath`")
DeltaTable.isDeltaTable(parquetPath)
結果は次のようになります。
○
完全なドキュメントについては、Delta Lake のドキュメント ページを参照してください
詳細については、Delta Lake プロジェクトを参照してください。