spark delta如何读数据

小编给大家分享一下spark delta如何读数据，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

分析

spark 的delta datasource的构建要从DataSource.lookupDataSourceV2开始，之后会流向到loadV1Source，这里会进行dataSource.createRelation进行构建datasource的Relation的构建,直接转到deltaDataSource 的createRelation：

override def createRelation(
      sqlContext: SQLContext,
      parameters: Map[String, String]): BaseRelation = {
    val maybePath = parameters.getOrElse("path", {
      throw DeltaErrors.pathNotSpecifiedException
    })

    // Log any invalid options that are being passed in
    DeltaOptions.verifyOptions(CaseInsensitiveMap(parameters))

    val timeTravelByParams = DeltaDataSource.getTimeTravelVersion(parameters)
    DeltaTableV2(
      sqlContext.sparkSession,
      new Path(maybePath),
      timeTravelOpt = timeTravelByParams).toBaseRelation
  }

1. DeltaOptions.verifyOptions进行参数校验,有效的参数如下：

val validOptionKeys : Set[String] = Set(
    REPLACE_WHERE_OPTION,
    MERGE_SCHEMA_OPTION,
    EXCLUDE_REGEX_OPTION,
    OVERWRITE_SCHEMA_OPTION,
    USER_METADATA_OPTION,
    MAX_FILES_PER_TRIGGER_OPTION,
    IGNORE_FILE_DELETION_OPTION,
    IGNORE_CHANGES_OPTION,
    IGNORE_DELETES_OPTION,
    OPTIMIZE_WRITE_OPTION,
    DATA_CHANGE_OPTION,
    "queryName",
    "checkpointLocation",
    "path",
    "timestampAsOf",
    "versionAsOf"
  )

2. DeltaDataSource.getTimeTravelVersion根据指定的timestampAsOf或者versionAsOf获取指定的版本

3. 直接调用DeltaTableV2的toBaseRelation方法：

def toBaseRelation: BaseRelation = {
    if (deltaLog.snapshot.version == -1) {
      val id = catalogTable.map(ct => DeltaTableIdentifier(table = Some(ct.identifier)))
        .getOrElse(DeltaTableIdentifier(path = Some(path.toString)))
      throw DeltaErrors.notADeltaTableException(id)
    }
    val partitionPredicates = DeltaDataSource.verifyAndCreatePartitionFilters(
      path.toString, deltaLog.snapshot, partitionFilters)

    // TODO(burak): We should pass in the snapshot here
    deltaLog.createRelation(partitionPredicates, timeTravelSpec)
  }

• 如果存在分区，则DeltaDataSource.verifyAndCreatePartitionFilter创建partitionPredicates

• timeTravelSpec，这里优先选择用户指定的timeTravelByParams，否则通过DeltaDataSource.parsePathIdentifier选择path指定的version，格式如:/some/path/partition=1@v1234 或者/some/path/partition=1@yyyyMMddHHmmssSSS

• 直接调用deltaLog.createRelation:

  def createRelation(
     partitionFilters: Seq[Expression] = Nil,
     timeTravel: Option[DeltaTimeTravelSpec] = None): BaseRelation = {
  
   val versionToUse = timeTravel.map { tt =>
     val (version, accessType) = DeltaTableUtils.resolveTimeTravelVersion(
       spark.sessionState.conf, this, tt)
     val source = tt.creationSource.getOrElse("unknown")
     recordDeltaEvent(this, s"delta.timeTravel.$source", data = Map(
       "tableVersion" -> snapshot.version,
       "queriedVersion" -> version,
       "accessType" -> accessType
     ))
     version
   }
  
   /** Used to link the files present in the table into the query planner. */
   val snapshotToUse = versionToUse.map(getSnapshotAt(_)).getOrElse(snapshot)
   val fileIndex = TahoeLogFileIndex(
     spark, this, dataPath, snapshotToUse.metadata.schema, partitionFilters, versionToUse)
  
   new HadoopFsRelation(
     fileIndex,
     partitionSchema = snapshotToUse.metadata.partitionSchema,
     dataSchema = snapshotToUse.metadata.schema,
     bucketSpec = None,
     snapshotToUse.fileFormat,
     snapshotToUse.metadata.format.options)(spark) with InsertableRelation {
     def insert(data: DataFrame, overwrite: Boolean): Unit = {
       val mode = if (overwrite) SaveMode.Overwrite else SaveMode.Append
       WriteIntoDelta(
         deltaLog = DeltaLog.this,
         mode = mode,
         new DeltaOptions(Map.empty[String, String], spark.sessionState.conf),
         partitionColumns = Seq.empty,
         configuration = Map.empty,
         data = data).run(spark)
     }
   }

   

  override def inputFiles: Array[String] = {
  getSnapshot(stalenessAcceptable = false).filesForScan(
    projection = Nil, partitionFilters).files.map(f => absolutePath(f.path).toString).toArray
  }

  
  

  该方法调用了snapshot的filesForScan方法：

  def filesForScan(projection: Seq[Attribute], filters: Seq[Expression]): DeltaScan = {
  implicit val enc = SingleAction.addFileEncoder
  
  val partitionFilters = filters.flatMap { filter =>
    DeltaTableUtils.splitMetadataAndDataPredicates(filter, metadata.partitionColumns, spark)._1
  }
  
  val files = DeltaLog.filterFileList(
    metadata.partitionSchema,
    allFiles.toDF(),
    partitionFilters).as[AddFile].collect()
  
  DeltaScan(version = version, files, null, null, null)(null, null, null, null)
  }

  
  

• . 通过指定版本获取对应的snapshot

• . 构建TahoeLogFileIndex，因为这里构建的是HadoopFsRelation，所以我们关注TahoeLogFileIndex的inputfiles方法：

通过之前文章的分析，我们直到deltalog记录了AddFile和Remove记录，那现在读数据怎么读取呢？全部在allFiles方法。
重点看一下：allFiles方法：

def allFiles: Dataset[AddFile] = {
 val implicits = spark.implicits
 import implicits._
 state.where("add IS NOT NULL").select($"add".as[AddFile])
 }

这里调用了state方法，而它又调用了stateReconstruction方法，

private lazy val cachedState =
 cacheDS(stateReconstruction, s"Delta Table State #$version - $redactedPath")

 /** The current set of actions in this [[Snapshot]]. */
 def state: Dataset[SingleAction] = cachedState.getDS

stateReconstruction方法在checkpoint的时用到了，在这里也用到了，主要是重新构造文件状态，合并AddFile和RemoveFile：

private def stateReconstruction: Dataset[SingleAction] = {
 ...
 loadActions.mapPartitions { actions =>
     val hdpConf = hadoopConf.value.value
     actions.flatMap {
       _.unwrap match {
         case add: AddFile => Some(add.copy(path = canonicalizePath(add.path, hdpConf)).wrap)
         case rm: RemoveFile => Some(rm.copy(path = canonicalizePath(rm.path, hdpConf)).wrap)
         case other if other == null => None
         case other => Some(other.wrap)
       }
     }
    }
   ...
   .mapPartitions { iter =>
     val state = new InMemoryLogReplay(time)
     state.append(0, iter.map(_.unwrap))
     state.checkpoint.map(_.wrap)
   }
  }

而关键在于InMemoryLogReplay的append方法和checkpoint方法，这里做到了文件状态的合并：

  assert(currentVersion == -1 || version == currentVersion + 1,
   s"Attempted to replay version $version, but state is at $currentVersion")
 currentVersion = version
 actions.foreach {
   case a: SetTransaction =>
     transactions(a.appId) = a
   case a: Metadata =>
     currentMetaData = a
   case a: Protocol =>
     currentProtocolVersion = a
   case add: AddFile =>
     activeFiles(add.pathAsUri) = add.copy(dataChange = false)
     // Remove the tombstone to make sure we only output one `FileAction`.
     tombstones.remove(add.pathAsUri)
   case remove: RemoveFile =>
     activeFiles.remove(remove.pathAsUri)
     tombstones(remove.pathAsUri) = remove.copy(dataChange = false)
   case ci: CommitInfo => // do nothing
   case null => // Some crazy future feature. Ignore
  }
 }

重点就在case add: AddFile和 case remove: RemoveFile处理以及checkpoint方法，能够很好的合并文件状态。

再调用collect方法,返回DeltaScan，之后获取文件路径作为要处理的文件路径。

• 把TahoeLogFileIndex传入HadoopFsRelation得到最后的BaseRelation 返回

注意：spark读取delta格式整个流程和spark读取其他数据格式流程一致，主要区别在于读取数据之前，会把文件状态在内存中进行一次合并，这样只需要读取文件状态为Addfile的就行了

以上是“spark delta如何读数据”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！