Tablo geçmişiyle çalışma

Tabloyu değiştiren her işlem yeni bir tablo sürümü oluşturur. Zaman yolculuğu kullanarak işlemleri denetlemek, bir tabloyu geri almak veya belirli bir noktada tabloyu sorgulamak için geçmiş bilgilerini kullanın.

Not

Databricks, veri arşivleme için uzun vadeli bir yedekleme çözümü olarak tablo geçmişinin kullanılmasını önermez. Hem veri hem de günlük saklama yapılandırmalarını daha büyük bir değere ayarlamadıysanız, zaman yolculuğu işlemleri için yalnızca son 7 günü kullanın.

Tablo geçmişini alma

komutunu çalıştırarak history her bir tabloya yazma işlemi, kullanıcı ve zaman damgası gibi bilgileri alın. İşlemler ters kronolojik sırayla döndürülür.

Tablo geçmişi saklama, varsayılan olarak 30 gün olan tablo ayarı logRetentionDurationtarafından belirlenir.

Not

Zaman yolculuğu ve tablo geçmişi, farklı bekletme eşikleri tarafından kontrol edilmektedir. Bkz. Zaman yolculuğu nedir?.

DESCRIBE HISTORY table_name       -- get the full history of the table

DESCRIBE HISTORY table_name LIMIT 1  -- get the last operation only

Spark SQL söz dizimi ayrıntıları için bkz. DESCRIBE HISTORY.

Scala/Java/Python söz dizimi ayrıntıları için Delta Lake API belgelerine bakın.

Katalog Gezgini , bu ayrıntılı tablo bilgilerinin ve geçmişinin görsel bir görünümünü sağlar. Tablo şemasına ve örnek verilere ek olarak, Geçmiş sekmesine tıklayarak DESCRIBE HISTORY ile görüntülenen tablo geçmişini görebilirsiniz.

Geçmiş şeması

İşlemin çıktısı history aşağıdaki sütunlara sahiptir.

Köşe yazısı	Türü	Açıklama
sürüm	uzun	İşlem tarafından oluşturulan tablo sürümü.
Tarih damgası	Tarih damgası	Bu sürüm depolandığında.
userId (kullanıcı kimliği)	Dize	İşlemi çalıştıran kullanıcının kimliği.
kullanıcı adı	Dize	İşlemi çalıştıran kullanıcının adı.
Operasyon	Dize	İşlemin adı.
işlemParametreleri	harita	İşlemin parametreleri (örneğin, koşul.)
iş	yapı	İşlemi çalıştıran işin ayrıntıları.
dizüstü bilgisayar	yapı	İşlemin çalıştırıldığı not defterinin ayrıntıları.
kümeKimliği	Dize	İşlemin üzerinde çalıştırıldığı kümenin kimliği.
sürümüOku	uzun	Yazma işlemini gerçekleştirmek için okunan tablonun sürümü.
izolasyon seviyesi	Dize	Bu işlem için kullanılan yalıtım düzeyi.
isBlindAppend	Boolean	Bu işlemin verileri ekleyip eklemediği.
operasyon metrikleri	harita	İşlemin ölçümleri (örneğin, değiştirilen satır ve dosya sayısı.)
kullanıcı meta verisi	Dize	Kullanıcı tanımlı işleme meta verileri, belirtilmişse

+-------+-------------------+------+--------+---------+--------------------+----+--------+---------+-----------+-----------------+-------------+--------------------+
|version|          timestamp|userId|userName|operation| operationParameters| job|notebook|clusterId|readVersion|   isolationLevel|isBlindAppend|    operationMetrics|
+-------+-------------------+------+--------+---------+--------------------+----+--------+---------+-----------+-----------------+-------------+--------------------+
|      5|2019-07-29 14:07:47|   ###|     ###|   DELETE|[predicate -> ["(...|null|     ###|      ###|          4|WriteSerializable|        false|[numTotalRows -> ...|
|      4|2019-07-29 14:07:41|   ###|     ###|   UPDATE|[predicate -> (id...|null|     ###|      ###|          3|WriteSerializable|        false|[numTotalRows -> ...|
|      3|2019-07-29 14:07:29|   ###|     ###|   DELETE|[predicate -> ["(...|null|     ###|      ###|          2|WriteSerializable|        false|[numTotalRows -> ...|
|      2|2019-07-29 14:06:56|   ###|     ###|   UPDATE|[predicate -> (id...|null|     ###|      ###|          1|WriteSerializable|        false|[numTotalRows -> ...|
|      1|2019-07-29 14:04:31|   ###|     ###|   DELETE|[predicate -> ["(...|null|     ###|      ###|          0|WriteSerializable|        false|[numTotalRows -> ...|
|      0|2019-07-29 14:01:40|   ###|     ###|    WRITE|[mode -> ErrorIfE...|null|     ###|      ###|       null|WriteSerializable|         true|[numFiles -> 2, n...|
+-------+-------------------+------+--------+---------+--------------------+----+--------+---------+-----------+-----------------+-------------+--------------------+

Not

Aşağıdaki yöntemleri kullanarak bir tabloya yazarsanız diğer sütunlardan birkaçı kullanılamaz:
Gelecekte eklenen sütunlar her zaman son sütundan sonra eklenir.

İşlem parametrelerini anlama `partitionBy`

Bu partitionBy alan yalnızca tablonun bölüm şemasını tanımlayan veya değiştiren CREATE ve OVERWRITE işlemleri için anlamlıdır.

Var olan tablolara ekleme işlemleri (APPEND, INSERT, , UPDATEDELETE, MERGE) için bu alan, kullanılan yazma yöntemine ([]vs.save()) bağlı olarak boş bir dizi .saveAsTable() veya bölüm sütunları gösterebilir. Bu tutarsızlık beklenen bir davranıştır ve yazmaları doğrulamak için kullanılmamalıdır.

Önemli

Ekleme işlemlerini doğrulamak için geçmişe güvenmeyin partitionBy . Değer uygulama ayrıntılarına göre değişir, ancak verilerin bölümlere nasıl yazdığını etkilemez.

Example

date sütununa göre bölümlendirilmiş bir tablo düşünün.

# Initial table creation - partitionBy is populated
df.write.format("delta") \
  .partitionBy("date") \
  .saveAsTable("sales_data")

Geçmişe yönelik CREATE işlemi şunları gösterir:

operationParameters: {
  "mode": "ErrorIfExists",
  "partitionBy": "[\"date\"]"
}

Bu tabloya veri eklediğinizde:

# Subsequent append - partitionBy shows empty
new_df.write.format("delta") \
  .mode("append") \
  .saveAsTable("sales_data")

APPEND işlemi şunları gösterir:

operationParameters: {
  "mode": "Append",
  "partitionBy": "[]"
}

Boş partitionBy değer beklenir. Veriler yine de tablonun mevcut bölüm şemasına göre doğru bölümlere yazılır. .save()'in bir yol için bu alanda "bölüm sütunları" gösterebileceğini, ancak bu farkın bir uygulama ayrıntısı olduğunu ve yazma davranışını etkilemediğini unutmayın.

İşlem ölçümleri

İşlem, history sütun haritasında operationMetrics işlem metrikleri koleksiyonu döndürür.

Aşağıdaki tablolarda harita anahtarı tanımları işleme göre listelenmektedir.

İşlem	Ölçüm adı	Açıklama
YAZ, CREATE TABLE'ı SELECTOLARAK, DEĞİŞTİR TABLE'yi SELECTOLARAK, COPY INTO
	numFiles	Yazılan dosya sayısı.
	numOutputBytes	Yazılan içeriğin bayt cinsinden boyutu.
	numOutputRows	Yazılan satır sayısı.
AKıŞ UPDATE
	eklenenDosyaSayisi	Eklenen dosya sayısı.
	kaldırılanDosyaSayısı	Kaldırılan dosya sayısı.
	numOutputRows	Yazılan satır sayısı.
	numOutputBytes	Yazma boyutu, bayt olarak.
SİL
	eklenenDosyaSayisi	Eklenen dosya sayısı. Tablonun bölümleri silindiğinde veri sağlanmaz.
	kaldırılanDosyaSayısı	Kaldırılan dosya sayısı.
	numDeletedRows (silinenSatırSayısı)	Kaldırılan satır sayısı. Tablonun bölümleri silindiğinde sağlanmaz.
	kopyalananSatırSayısı	Dosyaları silme işleminde kopyalanan satır sayısı.
	çalışmaSüresiMs	İşlemin tamamını yürütmek için geçen süre.
	scanTimeMs	Dosyaları eşleşmeler için taramak için geçen süre.
	rewriteTimeMs	Eşleşen dosyaları yeniden yazmak için geçen süre.
Kısaltmak
	kaldırılanDosyaSayısı	Kaldırılan dosya sayısı.
	çalışmaSüresiMs	İşlemin tamamını yürütmek için geçen süre.
BİRLEŞMEK
	numSourceRows (kaynak satır sayısı)	Kaynak DataFrame'deki satır sayısı.
	numTargetRowsInserted	Hedef tabloya eklenen satır sayısı.
	Hedef Satırların Güncellenen Sayısı	Hedef tabloda güncelleştirilen satır sayısı.
	SilinenHedefSatırSayısı	Hedef tabloda silinen satır sayısı.
	numTargetRowsCopied (Kopyalanan hedef satır sayısı)	Kopyalanan hedef satır sayısı.
	numOutputRows	Yazılan toplam satır sayısı.
	Hedef Dosyaların Sayısı Eklendi	Havuza (hedef) eklenen dosya sayısı.
	numHedefDosyalarSilindi	Hedef (sink) konumundan kaldırılan dosya sayısı.
	çalışmaSüresiMs	İşlemin tamamını yürütmek için geçen süre.
	scanTimeMs	Dosyaları eşleşmeler için taramak için geçen süre.
	rewriteTimeMs	Eşleşen dosyaları yeniden yazmak için geçen süre.
UPDATE
	eklenenDosyaSayisi	Eklenen dosya sayısı.
	kaldırılanDosyaSayısı	Kaldırılan dosya sayısı.
	GüncellenenSatırSayısı	Güncellenen satır sayısı.
	kopyalananSatırSayısı	Dosyaları güncelleme işleminde yeni kopyalanan satır sayısı.
	çalışmaSüresiMs	İşlemin tamamını yürütmek için geçen süre.
	scanTimeMs	Dosyaları eşleşmeler için taramak için geçen süre.
	rewriteTimeMs	Eşleşen dosyaları yeniden yazmak için geçen süre.
FSCK	kaldırılanDosyaSayısı	Kaldırılan dosya sayısı.
DÖNÜŞTÜRMEK	dönüştürülenDosyaSayısı	Dönüştürülen Parquet dosyalarının sayısı.
OPTIMIZE
	eklenenDosyaSayisi	Eklenen dosya sayısı.
	kaldırılanDosyaSayısı	İyileştirilmiş dosya sayısı.
	eklenenBaytSayısı	Tablo iyileştirildikten sonra eklenen bayt sayısı.
	Silinen Bayt Sayısı	Kaldırılan bayt sayısı.
	minFileSize	Tablo iyileştirildikten sonra en küçük dosyanın boyutu.
	p25FileSize	Tablo iyileştirilip tamamlandığında, 25. yüzdelik dilimdeki dosyanın boyutu.
	p50FileSize	Tablo iyileştirildikten sonra ortanca dosya boyutu.
	p75FileSize	Tablo optimize edildikten sonra 75. yüzdelik dilim dosyanın boyutu.
	maxFileSize	Tablo iyileştirildikten sonra en büyük dosyanın boyutu.
KLON
	kaynakTabloBoyutu	Kopyalanan sürümdeki kaynak tablonun bayt cinsinden boyutu.
	sourceNumOfFiles	Kopyalanan sürümdeki kaynak tablodaki dosya sayısı.
	kaldırılanDosyaSayısı	Önceki bir tablo değiştirildiyse hedef tablodan kaldırılan dosya sayısı.
	kaldırılanDosyalarBoyutu	Önceki bir tablo değiştirildiyse hedef tablodan kaldırılan dosyaların bayt cinsinden toplam boyutu.
	Kopyalanan Dosya Sayısı (numCopiedFiles)	Yeni konuma kopyalanan dosyaların sayısı. Sığ klonlar için 0.
	kopyalananDosyalarBoyutu	Yeni konuma kopyalanan dosyaların bayt cinsinden toplam boyutu. Sığ klonlar için 0.
RESTORE
	geri yükleme sonrası tablo boyutu	Geri yüklemeden sonra bayt cinsinden tablo boyutu.
	Geri Yükleme Sonrası Dosya Sayısı	Geri yüklemeden sonra tablodaki dosya sayısı.
	kaldırılanDosyaSayısı	Geri yükleme işlemi tarafından kaldırılan dosya sayısı.
	numGeriYüklenenDosyalar	Geri yükleme sonucunda eklenen dosya sayısı.
	kaldırılanDosyalarBoyutu	Geri yükleme tarafından kaldırılan dosyaların bayt cinsinden boyutu.
	geri yüklenen dosyaların boyutu	Geri yükleme tarafından eklenen dosyaların bayt cinsinden boyutu.
VACUUM
	silinmişDosyaSayısı	Silinen dosya sayısı.
	numVakumlanmışDizinler	Vakumlanmış dizin sayısı.
	silinecekDosyaSayisi	Silinecek dosya sayısı.

Zaman yolculuğu nedir?

Zaman yolculuğu, zaman damgasına veya tablo sürümüne göre (işlem günlüğünde kaydedildiği gibi) önceki tablo sürümlerini sorgulamayı destekler. Aşağıdaki gibi uygulamalar için zaman yolculuğu kullanabilirsiniz:

Çözümlemeleri, raporları veya çıkışları yeniden oluşturma (örneğin, bir makine öğrenmesi modelinin çıktısı). Bu, özellikle düzenlemeye tabi sektörlerde hata ayıklama veya denetim için yararlı olabilir.
Karmaşık zamana bağlı sorgular yazma.
Verilerinizdeki hataları düzeltme.
Hızlı değişen tablolara yönelik bir dizi sorgu için anlık görüntü yalıtımı sağlama.

Önemli

Databricks Runtime 18.0 ve üzeri sürümlerde, tablo özelliğinden (varsayılan 7 gün) daha deletedFileRetentionDuration eski bir sürüm isteyen zaman yolculuğu sorguları engellenir. Unity Kataloğu yönetilen tabloları için bu, Databricks Runtime 12.2 ve üzeri için geçerlidir.

Zaman yolculuğu söz dizimi

Tablo adı belirtiminin arkasına yan tümce ekleyerek zaman yolculuğu içeren bir tabloyu sorgularsınız.

timestamp_expression şu türlerden herhangi biri olabilir:
- '2018-10-18T22:15:12.013Z', başka bir ifadeyle zaman damgasına dönüştürülebilen bir dizedir
- cast('2018-10-18 13:36:32 CEST' as timestamp)
- '2018-10-18', yani bir tarih dizesi
- current_timestamp() - interval 12 hours
- date_sub(current_date(), 1)
- Zaman damgasına atanabilen veya atanabilecek diğer tüm ifadeler
version DESCRIBE HISTORY table_spec'in çıkışından elde edilebilen uzun bir değerdir.

Ne timestamp_expression ne de version alt sorgu olabilir.

Yalnızca tarih veya zaman damgası dizeleri kabul edilir. Örneğin, "2019-01-01" ve "2019-01-01T00:00:00.000Z". Örnek söz dizimi için aşağıdaki koda bakın.

SQL

SELECT * FROM people10m TIMESTAMP AS OF '2018-10-18T22:15:12.013Z';
SELECT * FROM people10m VERSION AS OF 123;

Piton

df1 = spark.read.option("timestampAsOf", "2019-01-01").table("people10m")
df2 = spark.read.option("versionAsOf", 123).table("people10m")

Tablo adının bir parçası olarak zaman damgasını veya sürümü belirtmek için @ söz dizimini de kullanabilirsiniz. Zaman damgası yyyyMMddHHmmssSSS formatında olmalıdır. Bir v sürümünün önüne ekleyerek @'dan sonra bir sürüm belirtebilirsiniz. Örnek söz dizimi için aşağıdaki koda bakın.

SQL

SELECT * FROM people10m@20190101000000000
SELECT * FROM people10m@v123

Piton

spark.read.table("people10m@20190101000000000")
spark.read.table("people10m@v123")

İşlem günlüğü denetim noktaları nedir?

Tablo sürümleri, tablo verileriyle birlikte depolanan işlem günlüğü dizininde JSON dosyaları olarak kaydedilir. Denetim noktası sorgulamasını iyileştirmek için tablo sürümleri Parquet denetim noktası dosyalarına toplanır ve tablo geçmişinin tüm JSON sürümlerini okuma gereksinimini önler. Azure Databricks, veri boyutu ve iş yükü için denetim noktası oluşturma sıklığını iyileştirir. Kullanıcıların denetim noktalarıyla doğrudan etkileşim kurması gerekmez. Denetim noktası sıklığı bildirimde bulunmadan değiştirilebilir.

Zaman yolculuğu sorguları için veri saklamayı yapılandırma

Önceki bir tablo sürümünü sorgulamak için, bu sürüm için hem günlüğü hem de veri dosyalarını tutmanız gerekir.

Bir tabloda çalıştırıldığında VACUUM veri dosyaları silinir. Günlük dosyasını kaldırma işlemi, tablo sürümleri denetlendikten sonra otomatik olarak yönetilir.

VACUUM çoğu tablo düzenli olarak bunlara karşı çalıştırıldığı için, belirli bir zamandaki sorgular VACUUM varsayılan olarak 7 gün olan saklama eşiğine uygun olmalıdır.

Tabloların veri saklama eşiğini artırmak için aşağıdaki tablo özelliklerini yapılandırmanız gerekir:

delta.logRetentionDuration = "interval <interval>": bir tablonun geçmişinin ne kadar süreyle tutulduğunu denetler. Varsayılan değer: interval 30 days.
delta.deletedFileRetentionDuration = "interval <interval>": geçerli tablo sürümünde artık başvurulmayan veri dosyalarını kaldırmak için kullanılan eşiği VACUUM belirler. Varsayılan değer: interval 7 days.

Tablo oluşturma sırasında tablo özelliklerini belirtebilir veya bunları bir ALTER TABLE deyimle ayarlayabilirsiniz. Bkz. Tablo özellikleri referansı.

Not

Databricks Runtime 18.0 ve üzerinde, logRetentionDuration, deletedFileRetentionDuration değerinden büyük veya buna eşit olmalıdır. Unity Kataloğu yönetilen tabloları için bu, Databricks Runtime 12.2 ve üzeri için geçerlidir.

30 günlük geçmiş verilere erişmek için ayarlayın delta.deletedFileRetentionDuration = "interval 30 days" (için delta.logRetentionDurationvarsayılan ayarla eşleşir).

Veri saklama eşiğinin artırılması, daha fazla veri dosyası tutuldukçe depolama maliyetlerinizin artmasına neden olabilir.

Tabloyu önceki bir duruma geri yükleme

komutunu kullanarak RESTORE tabloyu önceki durumuna geri yükleyebilirsiniz. Tablolar, eski bir duruma geri yüklenmesini sağlayan geçmiş sürümleri dahili olarak korur. Önceki duruma veya önceki durumun oluşturulduğu zaman damgasına karşılık gelen bir sürüm, RESTORE komutu tarafından seçenekler olarak desteklenir.

Önemli

Zaten geri yüklenmiş bir tabloyu geri yükleyebilirsiniz.
Kopyalanmış bir tabloyu geri yükleyebilirsiniz.
Geri yüklenmekte olan tablo üzerinde MODIFY izniniz olmalıdır.
Bir tabloyu, veri dosyalarının el ile veya tarafından vacuumsilindiği eski bir sürüme geri yükleyemezsiniz. Bu sürüme kısmen geri yükleme, spark.sql.files.ignoreMissingFilestrue olarak ayarlandıysa yine de mümkündür.
Önceki bir duruma geri yüklemek için zaman damgası biçimi şeklindedir yyyy-MM-dd HH:mm:ss. Yalnızca bir tarih(yyyy-MM-dd) dizesi sağlanması da desteklenir.

RESTORE TABLE target_table TO VERSION AS OF <version>;
RESTORE TABLE target_table TO TIMESTAMP AS OF <timestamp>;

Söz dizimi ayrıntıları için bkz. RESTORE.

Önemli

Geri yükleme, veri değiştiren bir işlem olarak kabul edilir. RESTORE komutu tarafından eklenen günlük girdileri dataChange durumunu true olarak ayarlanmış biçimde içerir. Tablo güncelleştirmelerini işleyen Yapılandırılmış akış işi gibi bir aşağı akış uygulaması varsa, geri yükleme işlemi tarafından eklenen veri değişikliği günlük girişleri yeni veri güncelleştirmeleri olarak kabul edilir ve bunların işlenmesi yinelenen verilere neden olabilir.

Örneğin:

Tablo sürümü	İşlem	Kayıt güncellemeleri	Veri değişikliği günlük güncellemelerindeki kayıtlar
0	INSERT	AddFile(/path/to/file-1, dataChange = true)	(ad = Viktor, yaş = 29, (ad = George, yaş = 55)
1	INSERT	AddFile(/path/to/file-2, dataChange = true)	(name = George, age = 39)
2	OPTIMIZE	AddFile(/dizin/dosya-3, veriDeğişimi = false), RemoveFile(/dizin/dosya-1), RemoveFile(/dizin/dosya-2)	(Sıkıştırmayı iyileştir olarak hiçbir kayıt tablodaki verileri değiştirmez)
3	RESTORE(sürüm=1)	RemoveFile(/yol/dosya-3) // Dosyayı sil, AddFile(/yol/dosya-1, veriDegisimi = dogru) // Dosya ekle, veri değişiyor, AddFile(/yol/dosya-2, veriDegisimi = dogru) // Dosya ekle, veri değişiyor	(ad = Viktor, yaş = 29), (ad = George, yaş = 55), (ad = George, yaş = 39)

Önceki örnekte RESTORE komutu, tablo sürümü 0 ve 1 okunurken zaten görülmüş olan güncelleştirmelere neden olur. Bir akış sorgusu bu tabloyu okuyorsa, bu dosyalar yeni eklenen veriler olarak kabul edilir ve yeniden işlenir.

Ölçümleri geri yükleme

RESTORE işlem tamamlandıktan sonra aşağıdaki ölçümleri tek satırlık DataFrame olarak bildirir:

table_size_after_restore: Geri yüklemeden sonra tablonun boyutu.
num_of_files_after_restore: Geri yüklemeden sonra tablodaki dosya sayısı.
num_removed_files: Tablodan kaldırılan (mantıksal olarak silinen) dosya sayısı.
num_restored_files: Geri dönme nedeniyle geri yüklenen dosyaların sayısı.
removed_files_size: Tablodan kaldırılan dosyaların bayt cinsinden toplam boyutu.
restored_files_size: Geri yüklenen dosyaların bayt cinsinden toplam boyutu.

Zaman yolculuğu kullanma örnekleri

Kullanıcının 111tabloya yanlışlıkla silmelerini düzeltin:

INSERT INTO my_table
  SELECT * FROM my_table TIMESTAMP AS OF date_sub(current_date(), 1)
  WHERE userId = 111

Tabloya yanlışlıkla yapılan yanlış güncelleştirmeler düzeltilir:

MERGE INTO my_table target
  USING my_table TIMESTAMP AS OF date_sub(current_date(), 1) source
  ON source.userId = target.userId
  WHEN MATCHED THEN UPDATE SET *

Geçen hafta eklenen yeni müşterilerin sayısını sorgula.

SELECT
(
  SELECT count(distinct userId)
  FROM my_table
)
-
(
  SELECT count(distinct userId)
  FROM my_table TIMESTAMP AS OF date_sub(current_date(), 7)
) AS new_customers

Spark oturumunda son işlemenin sürümünü nasıl bulabilirim?

Geçerli SparkSession tarafından tüm iş parçacıklarında ve tüm tablolarda yazılan son işlemenin sürüm numarasını almak için SQL yapılandırmasını sorgulayın.

Not

Apache Iceberg tabloları için spark.databricks.iceberg.lastCommitVersionInSession yerine spark.databricks.delta.lastCommitVersionInSession kullanın.

SQL

SET spark.databricks.delta.lastCommitVersionInSession

Piton

spark.conf.get("spark.databricks.delta.lastCommitVersionInSession")

Scala programlama dili

spark.conf.get("spark.databricks.delta.lastCommitVersionInSession")

SparkSession tarafından herhangi bir işlem yapılmadıysa, anahtarı sorgulamak boş bir değer döndürür.

Not

Aynı SparkSession değeri birden çok iş parçacığında paylaşıyorsanız, bu bir değişkeni birden çok iş parçacığı arasında paylaşmaya benzer; yapılandırma değeri eşzamanlı olarak güncelleştirildikçe yarış koşullarına çarpabilirsiniz.

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?

Last updated on 2026-03-06

Tablo geçmişiyle çalışma

Tablo geçmişini alma

Geçmiş şeması

İşlem parametrelerini anlama partitionBy

Example

İşlem ölçümleri

Zaman yolculuğu nedir?

Zaman yolculuğu söz dizimi

SQL

Piton

SQL

Piton

İşlem günlüğü denetim noktaları nedir?

Zaman yolculuğu sorguları için veri saklamayı yapılandırma

Tabloyu önceki bir duruma geri yükleme

Ölçümleri geri yükleme

Zaman yolculuğu kullanma örnekleri

Spark oturumunda son işlemenin sürümünü nasıl bulabilirim?

SQL

Piton

Scala programlama dili

Geri Bildirim

Ek kaynaklar

İşlem parametrelerini anlama `partitionBy`