Delta Lake：更新插入内部如何工作？

Question

在我们的数据管道中，我们从数据源中提取 CDC 事件，并将这些更改以 AVRO 格式写入“增量数据”文件夹中。

然后，我们定期运行 Spark 作业，将这些“增量数据”与我们当前版本的“快照表”（ORC 格式）合并，以获得最新版本的上游快照。

在此合并逻辑期间：

1）我们将“增量数据”加载为DataFrame df1

2）将当前的“快照表”加载为DataFrame df2

3) 合并 df1 和 df2 去重复 ID 并获取最新版本的行（使用 update_timestamp 列）

此逻辑将“增量数据”和当前“快照表”的全部数据加载到 Spark 内存中，该内存可能非常巨大，具体取决于数据库。

我注意到在 Delta Lake 中，使用以下代码完成类似的操作：

import io.delta.tables._
import org.apache.spark.sql.functions._

val updatesDF = ...  // define the updates DataFrame[date, eventId, data]

DeltaTable.forPath(spark, "/data/events/")
  .as("events")
  .merge(
    updatesDF.as("updates"),
    "events.eventId = updates.eventId")
  .whenMatched
  .updateExpr(
    Map("data" -> "updates.data"))
  .whenNotMatched
  .insertExpr(
    Map(
      "date" -> "updates.date",
      "eventId" -> "updates.eventId",
      "data" -> "updates.data"))
  .execute()

在这里，“updatesDF”可以被认为是来自 CDC 源的“增量数据”。

我的问题：

1）合并/更新插入内部如何工作？它是否将整个“updatedDF”和“/data/events/”加载到 Spark 内存中？

2）如果不是，它是否应用类似于 Apache Hudi 的增量更改？

3）在重复数据删除期间，此 upsert 逻辑如何知道获取记录的最新版本？因为我没有看到任何指定“更新时间戳”列的设置？

Answer 1

   1) How does merge/upsert internally works? Does it load entire "updatedDF" and 
   "/data/events/" into Spark memory?

不，Spark 不需要将需要更新的整个 Delta DF 加载到内存中。否则它就无法扩展。它采用的方法与 Spark 所做的其他作业非常相似 - 如果数据集足够大（或者您在云中创建显式分区），则整个表会透明地分为多个分区。然后，每个分区都会分配一个任务来组成您的merge工作。任务可以在不同的 Spark 执行器等上运行。

   2) If not, does it apply the delta changes something similar to Apache Hudi ?

我听说过 Apache Hudi，但还没看过。在内部，Delta看起来像版本化的镶木地板文件。对表的更改存储为有序的原子单元，称为提交。当您保存表时 - 查看它有哪些文件 - 它将包含 000000.json、000001.json 等文件，并且每个文件都会引用子目录中底层镶木地板文件的一组操作。例如，000000.json 将表示此版本及时引用 parquet 文件 001 和 002，而 000001.json 将表示此版本及时不应引用这两个较旧的 parquet 文件，而仅使用 parquet 文件 003。

   3) During deduplication how this upsert logic knows to take the latest version of a record? 
Because I don't see any setting to specify the "update timestamp" column?

默认情况下，它引用最新的变更集。时间戳是 Delta 版本控制实现方式的内部实现。您可以通过语法引用旧快照AS OF- 请参阅 https://docs.databricks.com/delta/delta-batch.html#syntax