具有 azure blob 存储的 azure HDInsight 上的增量表答案

【问题标题】：delta tables on azure HDInsight with azure blob storage具有 azure blob 存储的 azure HDInsight 上的增量表
【发布时间】：2020-07-18 04:02:49
【问题描述】：

我正在尝试从 HDInsight spark 2.4 编写一个增量表。

我已经通过关注https://docs.delta.io/latest/delta-storage.html#configure-for-azure-blob-storage配置了我的工作

我有以下代码

myrdd.write().format("delta").mode(SaveMode.Append).partitionBy("col1","col2")
                    .save("wasbs://container@account.blob.core.windows.net/delta/table1");

写入成功，我看到存储位置上写入了 parquet 文件，但是当我查看 __deltalog 文件时。我没有看到写入的分区信息，见下面 partitionBy 是空数组

{"commitInfo":{"timestamp":1586157735069,"operation":"WRITE","operationParameters":{"mode":"Append","partitionBy":"[]"},"isBlindAppend":true}}

此外，缺少个别 parquet 文件的分区信息

{"add":{"path":"part-00000-10341955-1490-4fc4-a66c-e7fdd6765fb2-c000.snappy.parquet","partitionValues":{},"size":10473576,"modificationTime":1586157604000,"dataChange":true}}
{"add":{"path":"part-00001-13651729-a04c-400e-ba42-242df2d0afd4-c000.snappy.parquet","partitionValues":{},"size":3884853,"modificationTime":1586157734000,"dataChange":true}}
{"add":{"path":"part-00002-dc29cc35-ef55-4f71-8195-927d76867195-c000.snappy.parquet","partitionValues":{},"size":2449481,"modificationTime":1586157371000,"dataChange":true}}
{"add":{"path":"part-00003-0a8028fa-e910-420b-aa82-b85f4ee1ce4a-c000.snappy.parquet","partitionValues":{},"size":2680111,"modificationTime":1586157441000,"dataChange":true}}
{"add":{"path":"part-00004-414dc827-2860-44f2-82ff-67e7c6f53e50-c000.snappy.parquet","partitionValues":{},"size":3321879,"modificationTime":1586157381000,"dataChange":true}}
{"add":{"path":"part-00005-b7bb3b28-a78a-4733-be54-e30d88b8d360-c000.snappy.parquet","partitionValues":{},"size":4634113,"modificationTime":1586157618000,"dataChange":true}}

我将以下包传递给我的 spark 提交

io.delta:delta-core_2.11:0.5.0,org.apache.hadoop:hadoop-azure:3.2.0

如果我遗漏了什么或解释不正确，请告诉我。

【问题讨论】：

标签： apache-spark databricks azure-databricks azure-hdinsight delta-lake

【解决方案1】：

每个 delta Lake 文档，从 spark 版本 2.4.2 开始提供对 delta Lake 的支持

HDinsight spark 于 2020 年 7 月发布了新版本，其中包括 spark 2.4.4。

使用 spark 2.4.4 附带的较新版本的 HDInsight，我看到使用适当的分区写入数据。

【讨论】：