Omissão de dados no Delta Lake

  • Artigo

Os dados que ignoram as informações são coletados automaticamente quando você grava dados em uma tabela Delta. O Delta Lake no Azure Databricks aproveita essas informações (valores mínimos e máximos, número de nulos e total de registros por arquivo) no momento da consulta para fornecer consultas mais rápidas.

Observação

No Databricks Runtime 13.3 e superior, o Databricks recomenda utilizar o clustering para o layout da tabela Delta. O clustering não é compatível com a ordenação Z. Confira Usar clustering líquido para tabelas Delta.

Você precisa coletar as estatísticas para as colunas usadas nas instruções do ZORDER. Confira O que é ordenação Z?.

Especificar as colunas de estatísticas para o Delta

Por padrão, o Delta Lake coleta estatísticas das primeiras 32 colunas definidas no seu esquema de tabela. Para essa coleta, cada campo em uma coluna aninhada é considerado uma coluna individual. Você pode modificar esse comportamento configurando uma das seguintes propriedades de tabela:

Propriedade de tabela Databricks Runtime com suporte Descrição
delta.dataSkippingNumIndexedCols Todas as versões com suporte do Databricks Runtime Aumente ou diminua o número de colunas nas quais o Delta coleta estatísticas. Depende da ordem das colunas.
delta.dataSkippingStatsColumns Databricks Runtime 13.3 LTS e superior Especifique uma lista dos nomes de colunas para as quais o Delta Lake coleta estatísticas. Substitui dataSkippingNumIndexedCols.

As propriedades da tabela podem ser configuradas na criação da tabela ou com instruções ALTER TABLE. Confira Referência de propriedades da tabela Delta.

Atualizar essa propriedade não recalcula automaticamente as estatísticas de dados existentes. Na verdade, afeta o comportamento da coleta de estatísticas futuras ao adicionar ou atualizar dados na tabela. O Delta Lake não aproveita as estatísticas de colunas não incluídas na lista atual de colunas de estatísticas.

No Databricks Runtime 14.3 LTS e posterior, você pode disparar manualmente o recálculo de estatísticas para uma tabela Delta usando o seguinte comando:

ANALYZE TABLE table_name COMPUTE DELTA STATISTICS

Observação

As cadeias de caracteres longas são truncadas durante a coleta de estatísticas. Você pode optar por excluir colunas com cadeia de caracteres longas da coleta de estatísticas, particularmente se as colunas não forem usadas com frequência para filtrar consultas.

O que é ordenação Z?

A ordenação Z é uma técnica para colocar informações relacionadas no mesmo conjunto de arquivos. Essa colocalidade é usada automaticamente por algoritmos que ignoram dados do Delta Lake no Azure Databricks. Esse comportamento reduz drasticamente a quantidade de dados que o Delta Lake no Azure Databricks precisa ler. Para dados de ordem Z, especifique as colunas para ordenar na cláusula ZORDER BY:

OPTIMIZE events
WHERE date >= current_timestamp() - INTERVAL 1 day
ZORDER BY (eventType)

Se você espera que uma coluna seja comumente usada em predicados de consulta e se essa coluna tiver alta cardinalidade (ou seja, um grande número de valores distintos), use ZORDER BY.

Você pode especificar várias colunas para ZORDER BY como lista separada por vírgulas. No entanto, a eficácia da localidade diminui com cada coluna extra. A ordenação Z em colunas que não têm estatísticas coletadas nelas seria ineficaz e um desperdício de recursos. Isso ocorre porque ignorar dados requer estatísticas locais de coluna, como mínimo, máximo e contagem. Você pode configurar a coleta de estatísticas em determinadas colunas reordenando a colunas no esquema, ou pode aumentar o número de colunas nas quais as estatísticas são coletadas.

Observação

  • A ordenação Z não é idempotente, mas visa ser uma operação incremental. Não há garantia de que o tempo necessário à ordenação Z seja reduzido em várias execuções. No entanto, se nenhum dado novo tiver sido adicionado a uma partição que foi apenas de ordenação Z, outra ordenação Z dessa partição não terá nenhum efeito.

  • A ordenação Z tem como objetivo produzir arquivos de dados balanceados de maneira equilibrada em relação ao número de tuplas, mas não necessariamente ao tamanho dos dados no disco. As duas medidas são correlacionadas com mais frequência, mas pode haver situações em que esse não é o caso, levando à distorção nos tempos de tarefa de otimização.

    Por exemplo, se você ZORDER BYdate e seus registros mais recentes forem muito maiores (por exemplo, matrizes ou cadeias de caracteres mais longas) que as anteriores, é provável que a duração das tarefas de OPTIMIZE job sofram alterações, bem como o tamanho dos arquivos resultantes. No entanto, isso é apenas um problema para o comando OPTIMIZE em si; isso não deve ter nenhum impacto negativo nas consultas subsequentes.