Partilhar via

Substituir dados seletivamente com o Delta Lake

  • Artigo

O Azure Databricks aproveita a funcionalidade Delta Lake para dar suporte a duas opções distintas para substituições seletivas:

  • A replaceWhere opção substitui atomicamente todos os registros que correspondem a um determinado predicado.
  • Você pode substituir diretórios de dados com base em como as tabelas são particionadas usando substituições de partição dinâmica.

Para a maioria das operações, o Databricks recomenda o uso replaceWhere para especificar quais dados devem ser substituídos.

Importante

Se os dados tiverem sido substituídos acidentalmente, você poderá usar a restauração para desfazer a alteração.

Substituição seletiva arbitrária com replaceWhere

Você pode substituir seletivamente apenas os dados que correspondem a uma expressão arbitrária.

Nota

SQL requer Databricks Runtime 12.2 LTS ou superior.

O comando a seguir substitui atomicamente os eventos de janeiro na tabela de destino, que é particionada por start_date, com os dados em replace_data:

Python

(replace_data.write
  .mode("overwrite")
  .option("replaceWhere", "start_date >= '2017-01-01' AND end_date <= '2017-01-31'")
  .table("events")
)

Scala

replace_data.write
  .mode("overwrite")
  .option("replaceWhere", "start_date >= '2017-01-01' AND end_date <= '2017-01-31'")
  .table("events")

SQL

INSERT INTO TABLE events REPLACE WHERE start_date >= '2017-01-01' AND end_date <= '2017-01-31' SELECT * FROM replace_data

Este código de exemplo grava os dados no , valida que todas as linhas correspondem replace_dataao predicado e executa uma substituição atômica usando overwrite semântica. Se quaisquer valores na operação estiverem fora da restrição, essa operação falhará com um erro por padrão.

Você pode alterar esse comportamento para overwrite valores dentro do intervalo de predicados e insert registros que estão fora do intervalo especificado. Para fazer isso, desative a verificação de restrição definindo spark.databricks.delta.replaceWhere.constraintCheck.enabled como false usando uma das seguintes configurações:

Python

spark.conf.set("spark.databricks.delta.replaceWhere.constraintCheck.enabled", False)

Scala

spark.conf.set("spark.databricks.delta.replaceWhere.constraintCheck.enabled", false)

SQL

SET spark.databricks.delta.replaceWhere.constraintCheck.enabled=false

Comportamento herdado

O comportamento padrão herdado tinha replaceWhere dados de substituição correspondentes a um predicado apenas sobre colunas de partição. Com esse modelo herdado, o comando a seguir substituiria atomicamente o mês de janeiro na tabela de destino, que é particionada por date, com os dados em df:

Python

(df.write
  .mode("overwrite")
  .option("replaceWhere", "birthDate >= '2017-01-01' AND birthDate <= '2017-01-31'")
  .table("people10m")
)

Scala

df.write
  .mode("overwrite")
  .option("replaceWhere", "birthDate >= '2017-01-01' AND birthDate <= '2017-01-31'")
  .table("people10m")

Se você quiser voltar ao comportamento antigo, você pode desativar o spark.databricks.delta.replaceWhere.dataColumns.enabled sinalizador:

Python

spark.conf.set("spark.databricks.delta.replaceWhere.dataColumns.enabled", False)

Scala

spark.conf.set("spark.databricks.delta.replaceWhere.dataColumns.enabled", false)

SQL

SET spark.databricks.delta.replaceWhere.dataColumns.enabled=false

Substituições de partição dinâmica

Importante

Esta funcionalidade está em Pré-visualização Pública.

O Databricks Runtime 11.3 LTS e superior suporta o modo de substituição de partição dinâmica para tabelas particionadas. Para tabelas com várias partições, o Databricks Runtime 11.3 LTS e inferior só suporta substituições de partições dinâmicas se todas as colunas de partição forem do mesmo tipo de dados.

Quando no modo de substituição de partição dinâmica, as operações substituem todos os dados existentes em cada partição lógica para a qual a gravação confirma novos dados. Todas as partições lógicas existentes para as quais a gravação não contém dados permanecem inalteradas. Esse modo só é aplicável quando os dados estão sendo gravados no modo de substituição: INSERT OVERWRITE em SQL ou em uma gravação DataFrame com df.write.mode("overwrite").

Configure o modo de substituição de partição dinâmica definindo a configuração spark.sql.sources.partitionOverwriteMode da sessão do Spark como dynamic. Você também pode habilitar isso definindo a DataFrameWriter opção partitionOverwriteMode como dynamic. Se presente, a opção específica da consulta substitui o modo definido na configuração da sessão. O padrão para partitionOverwriteMode é static.

Importante

Valide se os dados gravados com substituição de partição dinâmica tocam apenas as partições esperadas. Uma única linha na partição incorreta pode levar à substituição involuntária de uma partição inteira.

O exemplo a seguir demonstra o uso de substituições de partição dinâmica:

SQL

SET spark.sql.sources.partitionOverwriteMode=dynamic;
INSERT OVERWRITE TABLE default.people10m SELECT * FROM morePeople;

Python

(df.write
  .mode("overwrite")
  .option("partitionOverwriteMode", "dynamic")
  .saveAsTable("default.people10m")
)

Scala

df.write
  .mode("overwrite")
  .option("partitionOverwriteMode", "dynamic")
  .saveAsTable("default.people10m")

Nota

  • A substituição dinâmica de partições entra em conflito com a opção replaceWhere para tabelas particionadas.
    • Se a substituição de partição dinâmica estiver habilitada na configuração de sessão do Spark e replaceWhere for fornecida como uma DataFrameWriter opção, o Delta Lake substituirá os dados de acordo com a replaceWhere expressão (opções específicas de consulta substituem as configurações de sessão).
    • Você receberá um erro se as DataFrameWriter opções tiverem substituição de partição dinâmica e replaceWhere habilitadas.
  • Não é possível especificar overwriteSchema como true ao usar a substituição de partição dinâmica.