anexar fluxo
O decorador @dlt.append_flow
cria fluxos de acréscimo ou backfills para suas tabelas DLT. A função deve retornar um Apache Spark streaming DataFrame. Consulte Carregar e processar dados de forma incremental com fluxos DLT.
Os fluxos de acréscimo podem ter como alvo tabelas de transmissão ou sinks.
Sintaxe
Python
import dlt
dlt.create_streaming_table("<target-table-name>") # Required only if the target table doesn't exist.
@dlt.append_flow(
target = "<target-table-name>",
name = "<flow-name>", # optional, defaults to function name
spark_conf = {"<key>" : "<value", "<key" : "<value>"}, # optional
comment = "<comment>") # optional
def <function-name>():
return (<streaming query>)
Parâmetros
Parâmetro | Tipo | Descrição |
---|---|---|
função |
| Obrigatório. Uma função que retorna um Apache Spark streaming DataFrame de uma consulta definida pelo usuário. |
|
| Obrigatório. O nome da tabela ou coletor que é o destino do fluxo de acréscimo. |
|
| O nome do fluxo. Se não for fornecido, o padrão será o nome da função. |
|
| Uma descrição do fluxo. |
|
| Uma lista de configurações do Spark para a execução dessa consulta |
Exemplos
Python
import dlt
# Create a sink for an external Delta table
dlt.create_sink("my_sink", "delta", {"path": "/tmp/delta_sink"})
# Add an append flow to an external Delta table
@dlt.append_flow(name = "flow", target = "my_sink")
def flowFunc():
return <streaming-query>
# Create a Kafka sink
dlt.create_sink(
"my_kafka_sink",
"kafka",
{
"kafka.bootstrap.servers": "host:port",
"topic": "my_topic"
}
)
# Add an append flow to a Kafka sink
@dlt.append_flow(name = "flow", target = "my_kafka_sink")
def myFlow():
return read_stream("xxx").select(F.to_json(F.struct("*")).alias("value"))