メインコンテンツまでスキップ

Lakeflow 宣言型パイプラインのフローの例

例: 複数のKafkaトピックからストリーミング テーブルに書き込む

次の例では、kafka_targetというストリーミングテーブルを作成し、2つのKafkaトピックからそのストリーミングテーブルに書き込みます。

Python
from pyspark import pipelines as dp

dp.create_streaming_table("kafka_target")

# Kafka stream from multiple topics
@dp.append_flow(target = "kafka_target")
def topic1():
return (
spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "host1:port1,...")
.option("subscribe", "topic1")
.load()
)

@dp.append_flow(target = "kafka_target")
def topic2():
return (
spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "host1:port1,...")
.option("subscribe", "topic2")
.load()
)

SQL クエリで使用されるread_kafka()テーブル値関数の詳細については、SQL 言語リファレンスのread_kafka を参照してください。

Python では、単一のテーブルを対象とする複数のフローをプログラムで作成できます。次の例は、Kafka トピックのリストに対するこのパターンを示しています。

注記

このパターンには、 forループを使用してテーブルを作成する場合と同じ要件があります。フローを定義する関数に Python 値を明示的に渡す必要があります。forループでテーブルを作成する」を参照してください。

Python
from pyspark import pipelines as dp

dp.create_streaming_table("kafka_target")

topic_list = ["topic1", "topic2", "topic3"]

for topic_name in topic_list:

@dp.append_flow(target = "kafka_target", name=f"{topic_name}_flow")
def topic_flow(topic=topic_name):
return (
spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "host1:port1,...")
.option("subscribe", topic)
.load()
)

例: 1回限りのデータバックフィルを実行する

クエリを実行して既存のストリーミング テーブルにデータを追加する場合は、 append_flow使用します。

既存のデータセットを追加した後は、複数のオプションがあります。

  • バックフィル ディレクトリに新しいデータが到着したときにクエリで新しいデータを追加する場合は、クエリをそのまま残します。
  • これを 1 回限りのバックフィルにして、再度実行しないようにする場合は、パイプラインを 1 回実行した後にクエリを削除します。
  • クエリを 1 回実行し、データが完全に更新されている場合にのみ再度実行するようにするには、追加フローでonce不安をTrueに設定します。 SQLでは、 INSERT INTO ONCEを使用します。

次の例では、ストリーミングテーブルに履歴データを追加するクエリを実行しています。

Python
from pyspark import pipelines as dp

@dp.table()
def csv_target():
return spark.readStream
.format("cloudFiles")
.option("cloudFiles.format","csv")
.load("path/to/sourceDir")

@dp.append_flow(
target = "csv_target",
once = True)
def backfill():
return spark.readStream
.format("cloudFiles")
.option("cloudFiles.format","csv")
.load("path/to/backfill/data/dir")

より詳細な例については、 LakeFlow宣言型パイプラインを使用したヒストリカルデータのバックフィル」を参照してください。

例: フロー処理の追加の代わりに UNION

UNION句を含むクエリを使用する代わりに、追加フロー クエリを使用して複数のソースを結合し、単一のストリーミング テーブルに書き込むことができます。 UNIONの代わりに追加フロー クエリを使用すると、完全な更新を実行せずに、複数のソースからストリーミング テーブルに追加できます。

次のPythonの例には、UNION句で複数のデータソースを組み合わせたクエリが含まれています。

Python
@dp.create_table(name="raw_orders")
def unioned_raw_orders():
raw_orders_us = (
spark.readStream
.format("cloudFiles")
.option("cloudFiles.format", "csv")
.load("/path/to/orders/us")
)

raw_orders_eu = (
spark.readStream
.format("cloudFiles")
.option("cloudFiles.format", "csv")
.load("/path/to/orders/eu")
)

return raw_orders_us.union(raw_orders_eu)

以下の例では、UNIONクエリを フローの追加クエリに置き換えています:

Python
dp.create_streaming_table("raw_orders")

@dp.append_flow(target="raw_orders")
def raw_orders_us():
return spark.readStream
.format("cloudFiles")
.option("cloudFiles.format", "csv")
.load("/path/to/orders/us")

@dp.append_flow(target="raw_orders")
def raw_orders_eu():
return spark.readStream
.format("cloudFiles")
.option("cloudFiles.format", "csv")
.load("/path/to/orders/eu")

# Additional flows can be added without the full refresh that a UNION query would require:
@dp.append_flow(target="raw_orders")
def raw_orders_apac():
return spark.readStream
.format("cloudFiles")
.option("cloudFiles.format", "csv")
.load("/path/to/orders/apac")