使用 Jupyter Notebook 运行 Delta Lake 入门教程
本文的例子来自 Delta Lake 官方教程。因为官方教程是基于商业软件 Databricks Community Edition 构建，虽然教程中使用的软件特性都是开源 Delta Lake 版本所具备的，但是考虑到国内的网络环境，注册和使用 Databricks Community Edition 门槛较高。所以本文尝试基于开源的 Jupiter Notebook 重新构建这个教程。
准备一个环境安装 Spark 和 jupyter
本文基于 Linux 构建开发环境，同时使用的软件比如 conda、jupyter以及 pyspark 等都可以在 Windows 和 MacOS 上找到，理论上来说也完全可以在这两个系统上完成此教程。
假设系统已经安装 anaconda 或 miniconda，我们使用 conda 来构建开发环境，可以非常方便的安装 pyspark 和 jupyter notebook
conda create --name spark
conda activate spark
conda install pyspark
conda install -c conda-forge jupyterlab环境变量设置
我们在设置一些环境变量之后，就可以使用 pyspark 命令来创建 jupyter notebook 服务
export SPARK_HOME=$HOME/miniconda3/envs/spark/lib/python3.7/site-packages/pyspark
export PYSPARK_DRIVER_PYTHON=jupyter
export PYSPARK_DRIVER_PYTHON_OPTS='notebook'启动服务（注意这里的参数里指定了 Delta Lake 的 package，Spark 会帮忙自动下载依赖）：
pyspark --packages io.delta:delta-core_2.11:0.5.0接下去所有代码在 notebook 里运行
下载需要 parquet 文件
%%bash
rm -fr /tmp/delta_demo
mkdir -p /tmp/delta_demo/loans/
wget -O /tmp/delta_demo/loans/SAISEU19-loan-risks.snappy.parquet https://pages.databricks.com/rs/094-YMS-629/images/SAISEU19-loan-risks.snappy.parquet
ls -al /tmp/delta_demo/loans/Delta Lake的批流处理
在这里我们进入正题，开始介绍 Delta Lake 的批流处理能力。
首先，我们通过批处理的形式创建一张 Delta Lake 表，数据来自前面我们下载的 parquet 文件，可以和方便的把一张 parquet 表转换为 Delta Lake 表：
import os
import shutil
from pyspark.sql.functions import *
delta_path = "/tmp/delta_demo/loans_delta"
# Delete a new delta table with the parquet file
if os.path.exists(delta_path):
print("Deleting path " + delta_path)
shutil.rmtree(delta_path)
# Create a new delta table with the parquet file
spark.read.format("parquet").load("/tmp/delta_demo/loans") \
.write.format("delta").save(delta_path)
print("Created a Delta table at " + delta_path)我来查一下这张表，数据量是否正确：
# Create a view on the table called loans_delta
spark.read.format("delta").load(delta_path).createOrReplaceTempView("loans_delta")
print("Defined view 'loans_delta'")
spark.sql("select count(*) from loans_delta").show()
Defined view 'loans_delta'
+--------+
|count(1)|
+--------+
| 14705|
+--------+接下去我们会使用Spark Streaming流式写入这张 Delta Lake 表，同时展示 Delta Lake 的 Schema enforcement 能力（本文省略了流式写 Parquet 表的演示部分，那部分指出了 parquet 文件的不足，比如无法强制指定 Schema ）
import random
from pyspark.sql.functions import *
from pyspark.sql.types import *
def random_checkpoint_dir():
return "/tmp/delta_demo/chkpt/%s" % str(random.randint(0, 10000))
# User-defined function to generate random state
states = ["CA", "TX", "NY", "IA"]
@udf(returnType=StringType())
def random_state():
return str(random.choice(states))
# Generate a stream of randomly generated load data and append to the delta table
def generate_and_append_data_stream_fixed(table_format, table_path):
stream_data = spark.readStream.format("rate").option("rowsPerSecond", 50).load() \
.withColumn("loan_id", 10000 + col("value")) \
.withColumn("funded_amnt", (rand() * 5000 + 5000).cast("integer")) \
.withColumn("paid_amnt", col("funded_amnt") - (rand() * 2000)) \
.withColumn("addr_state", random_state()) \
.select("loan_id", "funded_amnt", "paid_amnt", "addr_state") # *********** FIXED THE SCHEMA OF THE GENERATED DATA *************
query = stream_data.writeStream \
.format(table_format) \
.option("checkpointLocation", random_checkpoint_dir()) \
.trigger(processingTime="10 seconds") \
.start(table_path)
return query启动两个流式作业：
stream_query_1 = generate_and_append_data_stream_fixed(table_format = "delta", table_path = delta_path)
stream_query_2 = generate_and_append_data_stream_fixed(table_format = "delta", table_path = delta_path)因为 Delta Lake 的乐观锁机制，多个流可以同时写入一张表，并保证数据的完整性。
通过批处理的方式来查询一下当前表中的数据量，我们发现有数据被插入了：
spark.sql("select count(*) from loans_delta").show()
+--------+
|count(1)|
+--------+
| 17605|
+--------+接下去我们停止所有流的写入，接下去会展示 Delta Lake 的其他特性
# Function to stop all streaming queries
def stop_all_streams():
# Stop all the streams
print("Stopping all streams")
for s in spark.streams.active:
s.stop()
print("Stopped all streams")
print("Deleting checkpoints")
shutil.rmtree("/tmp/delta_demo/chkpt/", True)
print("Deleted checkpoints")
stop_all_streams()Schema evolution（Schema演化）
Delta Lake 支持Schema演化，也就是说我们可以增加或改变表字段。接下去的批处理 SQL 会新增加一些数据，同时这些数据比之前的多了一个“closed”字段。我们将新的 DF 配置参数 mergeSchema 为 true 来显示指明 Delta Lake 表 Schema 的演化：
cols = ['loan_id', 'funded_amnt', 'paid_amnt', 'addr_state', 'closed']
items = [
(1111111, 1000, 1000.0, 'TX', True),
(2222222, 2000, 0.0, 'CA', False)
]
loan_updates = spark.createDataFrame(items, cols) \
.withColumn("funded_amnt", col("funded_amnt").cast("int"))
loan_updates.write.format("delta") \
.mode("append") \
.option("mergeSchema", "true") \
.save(delta_path)来看一下插入新数据之后的表内容，新增加了 closed 字段，之前的老数据行这个字段默认为 null。
spark.read.format("delta").load(delta_path).show()
+-------+-----------+---------+----------+------+
|loan_id|funded_amnt|paid_amnt|addr_state|closed|
+-------+-----------+---------+----------+------+
| 0| 1000| 182.22| CA| null|
| 1| 1000| 361.19| WA| null|
| 2| 1000| 176.26| TX| null|
| 3| 1000| 1000.0| OK| null|
| 4| 1000| 249.98| PA| null|
| 5| 1000| 408.6| CA| null|
| 6| 1000| 1000.0| MD| null|
| 7| 1000| 168.81| OH| null|
| 8| 1000| 193.64| TX| null|
| 9| 1000| 218.83| CT| null|
| 10| 1000| 322.37| NJ| null|
| 11| 1000| 400.61| NY| null|
| 12| 1000| 1000.0| FL| null|
| 13| 1000| 165.88| NJ| null|
| 14| 1000| 190.6| TX| null|
| 15| 1000| 1000.0| OH| null|
| 16| 1000| 213.72| MI| null|
| 17| 1000| 188.89| MI| null|
| 18| 1000| 237.41| CA| null|
| 19| 1000| 203.85| CA| null|
+-------+-----------+---------+----------+------+
only showing top 20 rows新的数据行具有 closed 字段：
spark.read.format("delta").load(delta_path).filter(col("closed") == True).show()
+-------+-----------+---------+----------+------+
|loan_id|funded_amnt|paid_amnt|addr_state|closed|
+-------+-----------+---------+----------+------+
|1111111| 1000| 1000.0| TX| true|
+-------+-----------+---------+----------+------+Delta Lake 表的删除操作
除了常规的插入操作，Delta Lake 还支持 update 和 delete 等功能，可以更新表格内容。下面展示删除操作，我们希望删除表格中贷款已经被完全还清的记录。下面几条命令可以简单和清晰的展示删除过程。
首先，我们看看符合条件的记录有多少条：
spark.sql("SELECT COUNT(*) FROM loans_delta WHERE funded_amnt = paid_amnt").show()
+--------+
|count(1)|
+--------+
| 5134|
+--------+然后，我们执行一个 delete 命令：
from delta.tables import *
deltaTable = DeltaTable.forPath(spark, delta_path)
deltaTable.delete("funded_amnt = paid_amnt")最后，我们看一下删除后的结果，发现符合条件的记录都已被删除：
spark.sql("SELECT COUNT(*) FROM loans_delta WHERE funded_amnt = paid_amnt").show()
+--------+
|count(1)|
+--------+
| 0|
+--------+版本历史和回溯
Delta Lake 还具有很强大历史版本记录和回溯功能。history()方法清晰的展示了刚才那张表的修改记录，包括最后一次 Delete 操作。
deltaTable.history().show()
+-------+-------------------+------+--------+----------------+--------------------+----+--------+---------+-----------+--------------+-------------+
|version| timestamp|userId|userName| operation| operationParameters| job|notebook|clusterId|readVersion|isolationLevel|isBlindAppend|
+-------+-------------------+------+--------+----------------+--------------------+----+--------+---------+-----------+--------------+-------------+
| 10|2020-02-22 22:14:06| null| null| DELETE|[predicate -> ["(...|null| null| null| 9| null| false|
| 9|2020-02-22 22:13:57| null| null| WRITE|[mode -> Append, ...|null| null| null| 8| null| true|
| 8|2020-02-22 22:13:52| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 6| null| true|
| 7|2020-02-22 22:13:50| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 6| null| true|
| 6|2020-02-22 22:13:42| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 4| null| true|
| 5|2020-02-22 22:13:40| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 4| null| true|
| 4|2020-02-22 22:13:32| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 2| null| true|
| 3|2020-02-22 22:13:30| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 2| null| true|
| 2|2020-02-22 22:13:22| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 1| null| true|
| 1|2020-02-22 22:13:20| null| null|STREAMING UPDATE|[outputMode -> Ap...|null| null| null| 0| null| true|
| 0|2020-02-22 22:13:18| null| null| WRITE|[mode -> ErrorIfE...|null| null| null| null| null| true|
+-------+-------------------+------+--------+----------------+--------------------+----+--------+---------+-----------+--------------+-------------+如果我们希望看一下刚才删除操作前的数据表状态，可以很方便的回溯到前一个快照点，并进行再次查询（我们可以看到被删除的记录又出现了）。
previousVersion = deltaTable.history(1).select("version").collect()[0][0] - 1
spark.read.format("delta") \
.option("versionAsOf", previousVersion) \
.load(delta_path) \
.createOrReplaceTempView("loans_delta_pre_delete") \
spark.sql("SELECT COUNT(*) FROM loans_delta_pre_delete WHERE funded_amnt = paid_amnt").show()
+--------+
|count(1)|
+--------+
| 5134|
+--------+结论
本文通过 jupyter notebook 工具演示了 Delta Lake 的官方教程，你可以在本文末尾下载到完整的 notebook 文件。
