append_flow

@dlt.append_flow デコレーターは、Lakeflow 宣言型パイプラインテーブルの追加フローまたはバックフィルを作成します。この関数は、 Apache Sparkストリーミング DataFrameを返す必要があります。「宣言型パイプラインフローを使用したデータの増分読み込みと処理」を参照してくださいLakeflow 。

追加フローは、ストリーミングテーブルまたはシンクをターゲットにできます。

構文

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
  once = <boolean>, # optional, defaults to false
  spark_conf = {"<key>" : "<value", "<key" : "<value>"}, # optional
  comment = "<comment>") # optional
def <function-name>():
  return (<streaming-query>) #

パラメーター

パラメーター	タイプ	説明
function	`function`	必須。ユーザー定義のクエリから Apache Sparkストリーミングデータフレームを返す関数。
`target`	`str`	必須。追加フローのターゲットであるテーブルまたはシンクの名前。
`name`	`str`	フロー名。指定しない場合、デフォルトは関数名になります。
`once`	`bool`	必要に応じて、フローをバックフィルなどの 1 回限りのフローとして定義します。`once=True`を使用すると、フローが次の 2 つの方法で変更されます。戻り値。`streaming-query`。この場合は、ストリーミング DataFrame ではなく、バッチ DataFrame である必要があります。フローはデフォルトで 1 回実行されます。パイプラインが完全に更新されて更新されると、 `ONCE` フローが再度実行されてデータが再作成されます。
`comment`	`str`	フローの説明。
`spark_conf`	`dict`	このクエリを実行するための Spark 構成の一覧

例

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>

# Add a backfill
@dlt.append_flow(name = "backfill", target = "my_sink", once = True)
def backfillFlowFunc():
    return (
      spark.read
      .format("json")
      .load("/path/to/backfill/")
    )

# 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"))

構文​

パラメーター​

例​

構文

パラメーター

例