如何防止重复条目进入 Azure 存储的增量湖

Question

我有一个以 delta 格式存储到 Adls 中的 Dataframe，现在当我尝试将新的更新行附加到该 delta 湖时，有什么方法可以删除 delta 中的旧现有记录并添加新更新的记录。

Delta 中存储的 DataFrame 架构有一个唯一列。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），然后定义操作。在 SQL 中，它可能如下所示（column 是您的唯一列，updates 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()