Delta Lake：如何在下一个版本的 delta 表中不携带已删除的记录？

Posted 2023-04-15

【中文标题】Delta Lake：如何在下一个版本的 delta 表中不携带已删除的记录？

【英文标题】：Delta Lake: how to not carry deleted records in next version of delta table?

【发布时间】：2021-09-23 16:08:32

【问题描述】：

我们每天都在 delta Lake 表（表名：dst1）中加载源文件作为时间序列数据。 如果 deltalake 表不存在，我们将创建一个表。如果表确实存在，我们会将新数据合并为时间序列数据。

Creating Table if table does not exist:
spark.sql(f"CREATE TABLE dtable USING DELTA LOCATION dmount1")       
 

If table does exist we will merge the new data as time series data:
here df --> has data for day 1 
     dtable --> has data for day 0.
     jkey --> d.id=ds.id

spark.sql(f"MERGE INTO dtable d USING df ds ON jkey WHEN MATCHED THEN UPDATE SET * WHEN NOT MATCHED THEN INSERT *")

第 1 天的数据来源：

第 2 天的来源数据：

select * from dst1 VERSION AS OF 0
id  lname   fname   gender  satscore
1   Steve   Jobs    M   1100
2   Mapple  Syrup   F   1300
4   Tom     Cruise  M   1200
6   New     Record  F   1320

select * from dst1 VERSION AS OF 1
id  lname   fname   gender  satscore
1   Steve   Not     M   2000
2   Mapple  Syrup   F   1300
4   Tom     Cruise  M   1200
6   New     Record  F   1320

由于第 2 天没有 id 2、4、6，但我仍然在 delta Lake 表的第 1 版中看到它们。 我期望增量表的版本 1 中只有 id 1。 我怎样才能做到这一点？

https://docs.databricks.com/delta/delta-update.html#language-sql

【参考方案1】：

这不是 Delta 的工作方式 - 每个版本都包含应包含的所有数据。它不是所有版本的组合来表示所有数据的统一视图。如果在新版本中只需要从第 2 天开始的条目，则只需覆盖数据，但随后需要单独读取每个版本以构建整个表的视图。