流式读写 - EMR on ECS| 阿里云

本文介绍Delta Lake流式读写数据的一些使用示例。

Delta Table 作为数据源（Source）

Scala

spark.readStream
  .format("delta")
  .option("maxFilesPerTrigger", 1000)
  .load("/tmp/delta_table")

作为数据源的组件一般数据一旦产生就会被下游消费，数据不会发生变化。但是Delta还兼顾了数据湖的角色，数据可能会被删除、更新，或者合并。目前Delta提供了两个选项来应对这种情况：

ignoreDeletes：设置该选项为true后，一切**对分区的删除**动作不会有任何影响。注意，非分区列的删除不包含在此。
ignoreChanges：设置该选项为true后，删除、更新或合并动作不会被特殊处理，但是这些动作产生的新文件会被当成新数据发送到下游。例如，某一个文件包含10000条数据，更新其中一条数据后，新文件有9999条旧数据和1条新数据。这9999条旧数据和1条新数据会被发送到下游。
说明
- maxFilesPerTrigger指定了一个批次最多处理的文件数量，默认值为1000。
- ignoreDeletes的行为比较符合预期，但仅仅局限于对分区的删除。ignoreChanges的行为可能有些奇怪，这主要是由于Delta的工作原理决定的。当设置ignoreChanges可能会有重复数据发送到下游，因此下游应当注意处理这些重复数据。

Delta Table 作为数据接收端（Sink）

Append模式：该模式是Spark Streaming的默认工作模式。

Scala

df.writeStream
  .format("delta")
  .outputMode("append")
  .option("checkpointLocation", "/tmp/delta_table/_checkpoints)
  .start("/tmp/delta_table")

Complete模式：在该模式下每一次batch的执行都会以全表覆盖的形式写目标表。例如，对于（id LONG, date DATE, name STRING, sales DOUBLE）这张表，我们统计每个人的总销售额，将统计结果写入目标表，每个批次更新一次。
Scala
```
spark.readStream
  .format("delta")
  .load("/tmp/delta_table")
  .select("name","sales")
  .groupBy("name")
  .agg(sum("sales"))
  .writeStream
  .format("delta")
  .outputMode("complete")
  .option("checkpointLocation", "/tmp/delta_table_summary/_checkpoints")
  .start("/tmp/delta_table_summary")
```