使用 pyspark 插入数据块答案

【问题标题】：Upsert in databricks using pyspark使用 pyspark 插入数据块
【发布时间】：2021-02-05 21:44:20
【问题描述】：

我正在尝试创建一个 df 并将其存储为增量表并尝试执行 upsert。我在网上找到了此功能，但只是对其进行了修改以适合我尝试使用的路径。

delta_store='s3://raw_data/ETL_test/Delta/'

我创建的 df

Employee = Row("id", "FirstName", "LastName", "Email")
employee1 = Employee('1', 'Basher', 'armbrust', 'bash@gmail.com')
employee2 = Employee('2', 'Daniel', 'meng', 'daniel@stanford.edu')
employee3 = Employee('3', 'Muriel', None, 'muriel@waterloo.edu')
employee4 = Employee('4', 'Rachel', 'wendell', 'rach_3@imaginea.com')
employee5 = Employee('5', 'Zach', 'galifianakis', 'zach_g@pramati.co')
employee6 = Employee('6', 'Ramesh', 'Babu', 'ramesh@pramati.co')
employee7 = Employee('7', 'Bipul', 'Kumar', 'bipul@pramati.co')
employee8 = Employee('8', 'Sampath', 'Kumar', 'sam@pramati.co')
employee9 = Employee('9', 'Anil', 'Reddy', 'anil@pramati.co')
employee10 = Employee('10', 'Mageswaran', 'Dhandapani', 'mageswaran@pramati.co')

compacted_df = spark.createDataFrame([employee1, employee2, employee3, employee4, employee5, employee6, employee7, employee8, employee9, employee10])

display(compacted_df)

upsert函数：

def upsert(df, path=DELTA_STORE, is_delete=False):
  """
  Stores the Dataframe as Delta table if the path is empty or tries to merge the data if found
  df : Dataframe 
  path : Delta table store path
  is_delete: Delete the path directory
  """
  if is_delete:
    dbutils.fs.rm(path, True)
  if os.path.exists(path):
    print("Modifying existing table...")
    delta_table = DeltaTable.forPath(spark,delta_store)
    match_expr = "delta.{} = updates.{}".format("id", "id")  and "delta.{} = updates.{}".format("FirstName", "FirstName")
    delta_table.alias("delta").merge(
              df.alias("updates"), match_expr) \
              .whenMatchedUpdateAll() \
              .whenNotMatchedInsertAll() \
              .execute()

  else:
    print("Creating new Delta table")
    df.write.format("delta").save(delta_store)

然后我运行以下代码修改数据，遇到如下错误：

employee14 = Employee('2', 'Daniel', 'Dang', 'ddang@stanford.edu')
employee15 = Employee('15', 'Anitha', 'Ramasamy', 'anitha@pramati.co')
ingestion_updates_df =  spark.createDataFrame([employee14, employee15])
upsert(df=ingestion_updates_df, is_delete=False)

错误：

AnalysisException: s3://raw_data/ETL_test/Delta already exists.

谁能解释我在这里做错了什么？

【问题讨论】：

标签： python pyspark databricks upsert

【解决方案1】：

这可能只是一个 python - S3 逻辑错误。

这个os.path.exists(path) 可能总是返回 false，因为它只理解 posix 文件系统而不理解 S3 blob 存储路径。

在第二次传入您的函数时，您的代码将沿 ELSE 分支向下，并最终尝试（再次）保存到同一路径，而不使用 .mode("OVERWRITE") 选项。

【讨论】：