如何防止重复条目进入 Azure Storage 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 湖时，它应该有什么方法可以删除 delta 中的旧现有记录并添加新的更新记录。

对于存储在 Delta 中的 DataFrame 架构，有一个唯一的 Column。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）然后执行操作。在 SQL 中，它可能如下所示（column 是您的唯一列，@​​987654323@ 可能是您注册为临时视图的数据框）：

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()