Использование Delta Lake в Azure HDInsight в AKS с кластером Apache Spark™ (предварительная версия)

Статья
09/20/2024

Важный

Azure HDInsight на AKS выведен из эксплуатации 31 января 2025 г. Узнайте больше об этом объявлении .

Необходимо перенести рабочие нагрузки в Microsoft Fabric или эквивалентный продукт Azure, чтобы избежать резкого завершения рабочих нагрузок.

Важный

Эта функция сейчас доступна в предварительной версии. Дополнительные условия использования для предварительных версий Microsoft Azure включают дополнительные юридические термины, применимые к функциям Azure, которые находятся в бета-версии, в предварительной версии или в противном случае еще не выпущены в общую доступность. Сведения об этой конкретной предварительной версии см. в Azure HDInsight в предварительной версии AKS. Для вопросов или предложений функций отправьте запрос с подробными сведениями на AskHDInsight и подписывайтесь на обновления в Azure HDInsight Community.

Azure HDInsight в AKS — это управляемая облачная служба для аналитики больших данных, которая помогает организациям обрабатывать большие объемы данных. В этом руководстве показано, как использовать Delta Lake в Azure HDInsight в AKS с кластером Apache Spark™.

Предпосылка

Создание кластера Apache Spark™ в Azure HDInsight в AKS
Запустите сценарий Delta Lake в Jupyter Notebook. Создайте записную книжку Jupyter и выберите "Spark" при создании записной книжки, так как в следующем примере используется Scala.

Сценарий

Чтение формата данных NYC Taxi Parquet — список URL-адресов файлов Parquet предоставляются из такси Нью-Йорка & Лимузин комиссии.
Для каждого URL-адреса (файла) выполняется некоторое преобразование и хранение в разностном формате.
Вычислить среднее расстояние, среднюю стоимость за милю и среднюю стоимость из таблицы Delta с помощью инкрементальной загрузки.
Сохранить вычисленное значение из шага 3 в формате Delta в папку вывода ключевого показателя эффективности (KPI).
Создайте Delta Table в формате Delta в папке выходных данных (автообновление).
В выходной папке KPI содержится несколько версий среднего расстояния и средней стоимости за милю для поездки.

Предоставление требуемых конфигураций для Delta Lake

Delta Lake и матрица совместимости с Apache Spark — Delta Lake, измените версию Delta Lake в зависимости от версии Apache Spark.

%%configure -f
{ "conf": {"spark.jars.packages": "io.delta:delta-core_2.12:1.0.1,net.andreinc:mockneat:0.4.8",
"spark.sql.extensions":"io.delta.sql.DeltaSparkSessionExtension",
"spark.sql.catalog.spark_catalog":"org.apache.spark.sql.delta.catalog.DeltaCatalog"
}
  }

Список файла данных

Заметка

Эти URL-адреса файлов относятся к Комиссии по такси и лимузинам Нью-Йорка &.

import java.io.File
import java.net.URL
import org.apache.commons.io.FileUtils
import org.apache.hadoop.fs._
    
// data file object is being used for future reference in order to read parquet files from HDFS
case class DataFile(name:String, downloadURL:String, hdfsPath:String)
    
// get Hadoop file system
val fs:FileSystem = FileSystem.get(spark.sparkContext.hadoopConfiguration)
    
val fileUrls= List(
"https://d37ci6vzurychx.cloudfront.net/trip-data/fhvhv_tripdata_2022-01.parquet"
    )
    
// Add a file to be downloaded with this Spark job on every node.
        val listOfDataFile = fileUrls.map(url=>{
        val urlPath=url.split("/") 
        val fileName = urlPath(urlPath.size-1)
        val urlSaveFilePath = s"/tmp/${fileName}"
        val hdfsSaveFilePath = s"/tmp/${fileName}"
        val file = new File(urlSaveFilePath)
        FileUtils.copyURLToFile(new URL(url), file)
        // copy local file to HDFS /tmp/${fileName}
        // use FileSystem.copyFromLocalFile(boolean delSrc, boolean overwrite, Path src, Path dst)
        fs.copyFromLocalFile(true,true,new org.apache.hadoop.fs.Path(urlSaveFilePath),new org.apache.hadoop.fs.Path(hdfsSaveFilePath))
        DataFile(urlPath(urlPath.size-1),url, hdfsSaveFilePath)
})

Создание выходного каталога

При необходимости измените переменные transformDeltaOutputPath и avgDeltaOutputKPIPath, затем укажите расположение, где вы хотите создать выходные данные разностного формата.

avgDeltaOutputKPIPath — хранение среднего ключевого показателя эффективности в разностном формате
transformDeltaOutputPath — хранение преобразованных выходных данных в разностном формате

import org.apache.hadoop.fs._

// this is used to store source data being transformed and stored delta format
val transformDeltaOutputPath = "/nyctaxideltadata/transform"
// this is used to store Average KPI data in delta format
val avgDeltaOutputKPIPath = "/nyctaxideltadata/avgkpi"
// this is used for POWER BI reporting to show Month on Month change in KPI (not in delta format)
val avgMoMKPIChangePath = "/nyctaxideltadata/avgMoMKPIChangePath"

// create directory/folder if not exist
def createDirectory(dataSourcePath: String) = {
    val fs:FileSystem = FileSystem.get(spark.sparkContext.hadoopConfiguration)
    val path =  new Path(dataSourcePath)
    if(!fs.exists(path) && !fs.isDirectory(path)) {
        fs.mkdirs(path)
    }
}

createDirectory(transformDeltaOutputPath)
createDirectory(avgDeltaOutputKPIPath)
createDirectory(avgMoMKPIChangePath)

Создание данных в формате Delta из формата Parquet

Входные данные из listOfDataFile, где данные загруженные из https://www.nyc.gov/site/tlc/about/tlc-trip-record-data.page
Чтобы продемонстрировать путешествие по времени и версию, загрузите данные по отдельности
Выполните преобразование и вычисление следующего бизнес-ключевого показателя эффективности при добавочной нагрузке:
1. Среднее расстояние
2. Средняя стоимость за милю
3. Средняя стоимость

Сохранение данных, содержащих преобразованные показатели и ключевые показатели эффективности, в дельта-формате.

import org.apache.spark.sql.functions.udf
import org.apache.spark.sql.DataFrame

// UDF to compute sum of value paid by customer
def totalCustPaid = udf((basePassengerFare:Double, tolls:Double,bcf:Double,salesTax:Double,congSurcharge:Double,airportFee:Double, tips:Double) => {
    val total = basePassengerFare + tolls + bcf + salesTax + congSurcharge + airportFee + tips
    total
})

// read parquet file from spark conf with given file input
// transform data to compute total amount
// compute kpi for the given file/batch data
def readTransformWriteDelta(fileName:String, oldData:Option[DataFrame], format:String="parquet"):DataFrame = {
    val df = spark.read.format(format).load(fileName)
    val dfNewLoad= df.withColumn("total_amount",totalCustPaid($"base_passenger_fare",$"tolls",$"bcf",$"sales_tax",$"congestion_surcharge",$"airport_fee",$"tips"))
    // union with old data to compute KPI
    val dfFullLoad= oldData match {
        case Some(odf)=>
                dfNewLoad.union(odf)
        case _ =>
                dfNewLoad
    }
    dfFullLoad.createOrReplaceTempView("tempFullLoadCompute")
    val dfKpiCompute = spark.sql("SELECT round(avg(trip_miles),2) AS avgDist,round(avg(total_amount/trip_miles),2) AS avgCostPerMile,round(avg(total_amount),2) avgCost FROM tempFullLoadCompute")
    // save only new transformed data
    dfNewLoad.write.mode("overwrite").format("delta").save(transformDeltaOutputPath)
    //save compute KPI
    dfKpiCompute.write.mode("overwrite").format("delta").save(avgDeltaOutputKPIPath)
    // return incremental dataframe for next set of load
    dfFullLoad
}

// load data for each data file, use last dataframe for KPI compute with the current load
def loadData(dataFile: List[DataFile], oldDF:Option[DataFrame]):Boolean = {
    if(dataFile.isEmpty) {    
        true
    } else {
        val nextDataFile = dataFile.head
        val newFullDF = readTransformWriteDelta(nextDataFile.hdfsPath,oldDF)
        loadData(dataFile.tail,Some(newFullDF))
    }
}
val starTime=System.currentTimeMillis()
loadData(listOfDataFile,None)
println(s"Time taken in Seconds: ${(System.currentTimeMillis()-starTime)/1000}")

Чтение разностного формата с помощью разностной таблицы
1. прочитать преобразованные данные
2. чтение данных ключевого показателя эффективности
```
import io.delta.tables._
val dtTransformed: io.delta.tables.DeltaTable = DeltaTable.forPath(transformDeltaOutputPath)
val dtAvgKpi: io.delta.tables.DeltaTable = DeltaTable.forPath(avgDeltaOutputKPIPath)
```
Схема печати
1. Печать схемы таблицы Delta для преобразованных и усреднённых данных ключевых показателей эффективности1.
```
// transform data schema
dtTransformed.toDF.printSchema
// Average KPI Data Schema
dtAvgKpi.toDF.printSchema
```
Отображение последнего вычисляемого ключевого показателя эффективности из таблицы данных

dtAvgKpi.toDF.show(false)

Отображение журнала вычисляемых ключевых показателей эффективности

На этом шаге отображается история таблицы транзакций ключевого показателя эффективности из _delta_log

dtAvgKpi.history().show(false)

Отображение данных ключевого показателя эффективности после каждой загрузки данных

С помощью перемещения по времени можно просмотреть изменения ключевого показателя эффективности после каждой загрузки
Вы можете сохранить все изменения версий в формате CSV в avgMoMKPIChangePath, чтобы Power BI могли считывать эти изменения.

val dfTxLog = spark.read.json(s"${transformDeltaOutputPath}/_delta_log/*.json")
dfTxLog.select(col("add")("path").alias("file_path")).withColumn("version",substring(input_file_name(),-6,1)).filter("file_path is not NULL").show(false)

Ссылка

Имена проектов Apache, Apache Spark, Spark и связанных с открытым исходным кодом являются товарными знаками Apache Software Foundation (ASF).

Поделиться через