Pular para o conteúdo principal
Última atualização em

Colunas geradas pelo Delta Lake

info

Visualização

Esse recurso está em Prévia Pública.

O Delta Lake oferece suporte a colunas geradas, que são um tipo especial de coluna cujos valores são gerados automaticamente com base em uma função especificada pelo usuário a partir de outras colunas na tabela Delta Lake. Quando se grava em uma tabela com colunas geradas e não se fornecem valores explicitamente para elas, o Delta Lake calcula automaticamente os valores. Por exemplo, pode-se gerar automaticamente uma coluna de data (para particionar a tabela por data) a partir da coluna de timestamp; qualquer gravação na tabela precisa apenas especificar os dados para a coluna de timestamp. No entanto, se forem fornecidos valores explicitamente para eles, os valores devem satisfazer a restrição (<value> <=> <generation expression>) IS TRUE ou a gravação falhará com um erro.

importante

Tabelas criadas com colunas geradas têm uma versão superior do protocolo do gravador de tabela do que o default. Consulte Compatibilidade e protocolos do recurso Delta Lake para entender o versionamento do protocolo de tabela e o que significa ter uma versão superior do protocolo de tabela.

Criar uma tabela com colunas geradas​

O exemplo a seguir mostra a criação de uma tabela com colunas geradas:

SQL
CREATE TABLE default.people10m (
  id INT,
  firstName STRING,
  middleName STRING,
  lastName STRING,
  gender STRING,
  birthDate TIMESTAMP,
  dateOfBirth DATE GENERATED ALWAYS AS (CAST(birthDate AS DATE)),
  ssn STRING,
  salary INT
)

Colunas geradas são armazenadas como se fossem colunas normais. Ou seja, eles ocupam armazenamento.

As seguintes restrições se aplicam a colunas geradas:

  • Uma expressão de geração pode usar quaisquer funções SQL no Spark que sempre retornam o mesmo resultado quando recebem os mesmos valores de argumento, exceto os seguintes tipos de funções:
    • Funções definidas pelo usuário.
    • Funções de agregação.
    • Funções de janela.
    • Funções que retornam várias linhas.

O Delta Lake pode gerar filtros de partição para uma consulta sempre que uma coluna de partição é definida por uma das seguintes expressões:

nota

O Photon é necessário no Databricks Runtime 10.4 LTS e abaixo. O Photon não é necessário no Databricks Runtime 11.3 LTS e acima.

  • CAST(col AS DATE) e o tipo de col é TIMESTAMP.
  • YEAR(col) e o tipo de col é TIMESTAMP.
  • Duas colunas de partição definidas por YEAR(col), MONTH(col) e o tipo de col é TIMESTAMP.
  • Três colunas de partição definidas por YEAR(col), MONTH(col), DAY(col) e o tipo de col é TIMESTAMP.
  • Quatro colunas de partição definidas por YEAR(col), MONTH(col), DAY(col), HOUR(col) e o tipo de col é TIMESTAMP.
  • SUBSTRING(col, pos, len) e o tipo de col é STRING
  • DATE_FORMAT(col, format) e o tipo de col é TIMESTAMP.
    • Você só pode usar formatos de data com os seguintes padrões: yyyy-MM e yyyy-MM-dd-HH.
    • No Databricks Runtime 10.4 LTSe acima, você também pode usar o seguinte padrão: yyyy-MM-dd.

Se uma coluna de partição for definida por uma das expressões precedentes, e uma consulta filtrar dados usando a coluna base subjacente de uma expressão de geração, o Delta Lake analisa a relação entre a coluna base e a coluna gerada, e preenche os filtros de partição com base na coluna de partição gerada, se possível. Por exemplo, dada a tabela a seguir:

SQL
CREATE TABLE events(
eventId BIGINT,
data STRING,
eventType STRING,
eventTime TIMESTAMP,
eventDate date GENERATED ALWAYS AS (CAST(eventTime AS DATE))
)
PARTITIONED BY (eventType, eventDate)

Se você então executar a seguinte consulta:

SQL
SELECT * FROM events
WHERE eventTime >= "2020-10-01 00:00:00" <= "2020-10-01 12:00:00"

O Delta Lake gera automaticamente um filtro de partição para que a consulta anterior leia apenas os dados na partição date=2020-10-01, mesmo que um filtro de partição não seja especificado.

Como outro exemplo, dada a tabela a seguir:

SQL
CREATE TABLE events(
eventId BIGINT,
data STRING,
eventType STRING,
eventTime TIMESTAMP,
year INT GENERATED ALWAYS AS (YEAR(eventTime)),
month INT GENERATED ALWAYS AS (MONTH(eventTime)),
day INT GENERATED ALWAYS AS (DAY(eventTime))
)
PARTITIONED BY (eventType, year, month, day)

Se você então executar a seguinte consulta:

SQL
SELECT * FROM events
WHERE eventTime >= "2020-10-01 00:00:00" <= "2020-10-01 12:00:00"

O Delta Lake gera automaticamente um filtro de partição para que a consulta anterior leia apenas os dados na partição year=2020/month=10/day=01, mesmo que um filtro de partição não seja especificado.

Você pode usar uma cláusula EXPLAIN e verificar o plano fornecido para ver se o Delta Lake gera automaticamente quaisquer filtros de partição.

Usar colunas de identidade em Delta Lake​

importante

Declarar uma coluna de identidade em uma tabela Delta Lake desativa transações concorrentes. Utilize colunas de identidade apenas em casos de uso onde gravações concorrentes na tabela de destino não sejam necessárias.

As colunas de identidade do Delta Lake são um tipo de coluna gerada que atribui valores exclusivos para cada registro inserido em uma tabela. O exemplo a seguir mostra a sintaxe básica para declarar uma coluna de identidade durante uma instrução de criação de tabela.

SQL
CREATE TABLE table_name (
  id_col1 BIGINT GENERATED ALWAYS AS IDENTITY,
  id_col2 BIGINT GENERATED ALWAYS AS IDENTITY (START WITH -1 INCREMENT BY 1),
  id_col3 BIGINT GENERATED BY DEFAULT AS IDENTITY,
  id_col4 BIGINT GENERATED BY DEFAULT AS IDENTITY (START WITH -1 INCREMENT BY 1)
 )
nota

APIs Scala e Python para colunas de identidade estão disponíveis no Databricks Runtime 16.0 e superior.

Para consultar todas as opções de sintaxe SQL para criar tabelas com colunas de identidade, consulte CREATE TABLE [USING].

Opcionalmente, é possível especificar o seguinte:

  • Um valor inicial.
  • Um tamanho de passo, que pode ser positivo ou negativo.

O valor padrão tanto para o valor inicial quanto para o tamanho do passo é 1. Não é possível especificar um tamanho do passo de 0.

Os valores atribuídos pelas colunas de identidade são exclusivos e incrementados na direção do passo especificado e em múltiplos do tamanho do passo especificado, mas não há garantia de serem contíguos. Por exemplo, com um valor inicial de 0 e um tamanho de passo de 2, todos os valores são números pares positivos, mas alguns números pares podem ser ignorados.

Ao usar a cláusula GENERATED BY DEFAULT AS IDENTITY, as operações de inserção podem especificar valores para a coluna de identidade. Modifique a cláusula para ser GENERATED ALWAYS AS IDENTITY para substituir a capacidade de definir valores manualmente.

As colunas de identidade suportam apenas o tipo BIGINT e as operações falham se o valor atribuído exceder o intervalo suportado por BIGINT.

Para saber como sincronizar valores de coluna de identidade com dados, consulte cláusula ALTER TABLE ... COLUMN.

CTAS e Colunas de Identidade​

Não é possível definir esquemas, restrições de coluna de identidade ou quaisquer outras especificações de tabela ao usar uma instrução CREATE TABLE table_name AS SELECT (CTAS).

Para criar uma nova tabela com uma coluna de identidade e preenchê-la com dados existentes, proceda da seguinte forma:

  1. Criar uma tabela com o esquema correto, incluindo a definição da coluna de identidade e outras propriedades da tabela.
  2. Executar uma operação INSERT.

O exemplo a seguir usa a palavra-chave DEFAULT para definir a coluna de identidade. Se os dados inseridos na tabela incluírem valores válidos para a coluna de identidade, esses valores serão usados.

SQL
CREATE OR REPLACE TABLE new_table (
  id BIGINT GENERATED BY DEFAULT AS IDENTITY (START WITH 5),
  event_date DATE,
  some_value BIGINT
);

-- Inserts records including existing IDs
INSERT INTO new_table (id, event_date, some_value)
SELECT id, event_date, some_value FROM old_table;

-- Insert records and generate new IDs
INSERT INTO new_table (event_date, some_value)
SELECT event_date, some_value FROM new_records;

Limitações da coluna de identidade​

Aplicam-se as seguintes limitações ao trabalhar com colunas de identidade:

  • Transações concorrentes não são aceitas em tabelas com colunas de identidade habilitadas.
  • Não é possível particionar uma tabela por uma coluna de identidade.
  • Você não pode usar ALTER TABLE para ADD, REPLACE ou CHANGE uma coluna de identidade.
  • Não é possível atualizar o valor de uma coluna de identidade para um registro existente.
nota

Para alterar o valor de IDENTITY para um registro existente, deve-se excluir o registro e INSERT -lo como um novo registro.

Colunas geradas e máscaras de coluna​

Uma coluna gerada não pode referenciar uma coluna com uma máscara de coluna aplicada, pois o valor gerado revelaria os dados subjacentes que a máscara protege. Isto gera um erro e a query falha. Consulte Filtros de linhas e máscaras de colunas.

Aqui estão exemplos dos erros:

  • Não é possível criar uma coluna gerada cuja expressão faça referência a uma coluna mascarada. Gera COLUMN_MASKS_GENERATED_COLUMN_UNSUPPORTED.

    SQL
    CREATE TABLE tbl (
      a INT MASK masking_function,
      generated_col INT GENERATED ALWAYS AS (a + 1)
    ) USING DELTA;

  • Não é possível aplicar uma máscara de coluna a uma coluna que já é referenciada por uma coluna gerada. Gera COLUMN_MASKS_REFERENCED_BY_GENERATED_COLUMN.ADD_MASK.

    SQL
    CREATE TABLE tbl (
      a INT,
      generated_col INT GENERATED ALWAYS AS (a + 1)
    ) USING DELTA;

    ALTER TABLE tbl ALTER COLUMN a SET MASK masking_function;

  • As leituras de uma tabela onde uma coluna gerada já faz referência a uma coluna mascarada também são bloqueadas. Gera COLUMN_MASKS_REFERENCED_BY_GENERATED_COLUMN.READ_BLOCKED.

Para resolver todos esses erros, é preciso redesenhar a tabela para que as colunas geradas e as colunas mascaradas não se sobreponham.

Nesta página