Atualizar o esquema da tabela Delta Lake
O Delta Lake permite atualizar o esquema de uma mesa. Os seguintes tipos de alterações são suportados:
Adicionando novas colunas (em posições arbitrárias)
Reordenando colunas existentes
Renomeando colunas existentes
Você pode fazer essas alterações explicitamente usando DDL ou implicitamente usando DML.
Importante
Uma atualização em um esquema de tabela Delta é uma operação que entra em conflito com todas as operações de gravação Delta concorrentes.
Ao atualizar o esquema de uma tabela Delta, as transmissões que leem dessa tabela são interrompidos.Se você quiser que a transmissão continue, você deve reiniciá-la. Para métodos recomendados, consulte Considerações de produção para transmissão estruturada.
Atualize explicitamente o esquema para adicionar colunas
ALTER TABLE table_name ADD COLUMNS (col_name data_type [COMMENT col_comment] [FIRST|AFTER colA_name], ...)
Por padrão, a anulabilidade é true
.
Para adicionar uma coluna a um campo aninhado, utilize:
ALTER TABLE table_name ADD COLUMNS (col_name.nested_col_name data_type [COMMENT col_comment] [FIRST|AFTER colA_name], ...)
Por exemplo, se o esquema antes de executar o ALTER TABLE boxes ADD COLUMNS (colB.nested STRING AFTER field1)
for:
- root
| - colA
| - colB
| +-field1
| +-field2
o esquema depois é:
- root
| - colA
| - colB
| +-field1
| +-nested
| +-field2
Observação
A adição de colunas aninhadas é compatível apenas para estruturas. Matrizes e mapas não são compatíveis.
Atualizar explicitamente o esquema para alterar o comentário ou a ordenação da coluna
ALTER TABLE table_name ALTER [COLUMN] col_name (COMMENT col_comment | FIRST | AFTER colA_name)
Para alterar uma coluna em um campo aninhado, use:
ALTER TABLE table_name ALTER [COLUMN] col_name.nested_col_name (COMMENT col_comment | FIRST | AFTER colA_name)
Por exemplo, se o esquema antes de executar o ALTER TABLE boxes ALTER COLUMN colB.field2 FIRST
for:
- root
| - colA
| - colB
| +-field1
| +-field2
o esquema depois é:
- root
| - colA
| - colB
| +-field2
| +-field1
Atualizar explicitamente o esquema para substituir colunas
ALTER TABLE table_name REPLACE COLUMNS (col_name1 col_type1 [COMMENT col_comment1], ...)
Por exemplo, ao executar o seguinte DDL:
ALTER TABLE boxes REPLACE COLUMNS (colC STRING, colB STRUCT<field2:STRING, nested:STRING, field1:STRING>, colA STRING)
se o esquema anterior for:
- root
| - colA
| - colB
| +-field1
| +-field2
o esquema depois é:
- root
| - colC
| - colB
| +-field2
| +-nested
| +-field1
| - colA
Atualizar explicitamente o esquema para renomear colunas
Visualização
Esse recurso está em visualização pública.
Observação
Esse recurso está disponível em Databricks Runtime 10.4 LTS e acima.
Para renomear colunas sem alterar os dados existentes das colunas, é necessário ativar o mapeamento de colunas para a tabela. Consulte Renomear e eliminar colunas com o mapeamento de colunas do Delta Lake.
Para renomear uma coluna:
ALTER TABLE table_name RENAME COLUMN old_col_name TO new_col_name
Para renomear um campo aninhado:
ALTER TABLE table_name RENAME COLUMN col_name.old_nested_field TO new_nested_field
Por exemplo, quando você executa o seguinte comando:
ALTER TABLE boxes RENAME COLUMN colB.field1 TO field001
Se o esquema anterior for:
- root
| - colA
| - colB
| +-field1
| +-field2
Então o esquema depois é:
- root
| - colA
| - colB
| +-field001
| +-field2
Consulte Renomear e soltar colunas com mapeamento de coluna Delta Lake.
Atualizar explicitamente o esquema para soltar colunas
Visualização
Esse recurso está em visualização pública.
Observação
Esse recurso está disponível em Databricks Runtime 11.3 LTS e acima.
Para eliminar colunas como uma operação que afeta apenas os metadados sem reescrever arquivos de dados, é necessário ativar o mapeamento de colunas para a tabela.Consulte Renomear e eliminar colunas com o mapeamento de colunas do Delta Lake.
Importante
Soltar uma coluna de metadados não exclui os dados subjacentes da coluna em arquivos. Para limpar os dados da coluna descartada, você pode usar REORG TABLE para regravar arquivos. Em seguida, você pode usar o VACUUM para excluir fisicamente os arquivos que contêm os dados da coluna descartada.
Para soltar uma coluna:
ALTER TABLE table_name DROP COLUMN col_name
Para soltar várias colunas:
ALTER TABLE table_name DROP COLUMNS (col_name_1, col_name_2)
Atualizar explicitamente o esquema para alterar o tipo ou o nome da coluna
Você pode modificar o tipo ou nome de uma coluna ou eliminar uma coluna reescrevendo a tabela. Para fazer isto, utilize a opção overwriteSchema
.
O exemplo a seguir mostra a alteração de um tipo de coluna:
(spark.read.table(...)
.withColumn("birthDate", col("birthDate").cast("date"))
.write
.mode("overwrite")
.option("overwriteSchema", "true")
.saveAsTable(...)
)
O exemplo a seguir mostra a alteração de um nome de coluna:
(spark.read.table(...)
.withColumnRenamed("dateOfBirth", "birthDate")
.write
.mode("overwrite")
.option("overwriteSchema", "true")
.saveAsTable(...)
)
Adicionar colunas com atualização automática de esquema
As colunas que estão no DataFrame, mas não na tabela, são automaticamente incluídas como parte de uma transação de escrita quando:
write
ouwriteStream
tenha.option("mergeSchema", "true")
spark.databricks.delta.schema.autoMerge.enabled
étrue
Quando ambas as opções são especificadas, a opção do DataFrameWriter
tem precedência. As colunas adicionadas são anexadas ao final da estrutura em que estão presentes. O caso é preservado ao anexar uma nova coluna.
Observação
mergeSchema
não pode ser usado comINSERT INTO
ou.write.insertInto()
.
Evolução automática do esquema para mesclagem do Delta Lake
A evolução de esquema permite que os usuários resolvam discrepâncias de esquema entre a tabela de destino e a tabela de origem durante a operação de mesclagem (merge).Ele lida com os dois casos a seguir:
Uma coluna na tabela de origem não está presente na tabela de destino. A nova coluna é adicionada ao esquema de destino e seus valores são inseridos ou atualizados usando os valores de origem.
Uma coluna na tabela de destino não está presente na tabela de origem. O esquema de destino permanece inalterado; os valores na coluna de destino adicional são deixados inalterados (para
UPDATE
) ou definidos comoNULL
(paraINSERT
).
Importante
Para usar a evolução do esquema, o senhor deve definir a configuração de sessão do Spark spark.databricks.delta.schema.autoMerge.enabled
como true
antes de executar o comando merge
.
Observação
Em Databricks Runtime 12.2 LTS e acima, as colunas presentes na tabela de origem podem ser especificadas por nome nas ações de inserção ou atualização. Em Databricks Runtime 11.3 LTS e abaixo, somente as ações
INSERT *
ouUPDATE SET *
podem ser usadas para a evolução do esquema com merge.
Aqui estão alguns exemplos dos efeitos da merge
operação com e sem a evolução do esquema.
Colunas |
Consulta (em SQL) |
Comportamento sem evolução do esquema (padrão) |
Comportamento com evolução do esquema |
---|---|---|---|
Colunas-alvo: Colunas de origem: |
MERGE INTO target_table t
USING source_table s
ON t.key = s.key
WHEN MATCHED
THEN UPDATE SET *
WHEN NOT MATCHED
THEN INSERT *
|
O esquema da tabela permanece inalterado; somente as colunas |
O esquema da tabela é alterado para |
Colunas-alvo: Colunas de origem: |
MERGE INTO target_table t
USING source_table s
ON t.key = s.key
WHEN MATCHED
THEN UPDATE SET *
WHEN NOT MATCHED
THEN INSERT *
|
|
O esquema da tabela é alterado para |
Colunas-alvo: Colunas de origem: |
MERGE INTO target_table t
USING source_table s
ON t.key = s.key
WHEN MATCHED
THEN UPDATE SET new_value = s.new_value
|
|
O esquema da tabela é alterado para |
Colunas-alvo: Colunas de origem: |
MERGE INTO target_table t
USING source_table s
ON t.key = s.key
WHEN NOT MATCHED
THEN INSERT (key, new_value) VALUES (s.key, s.new_value)
|
|
O esquema da tabela é alterado para |
(1) Esse comportamento está disponível em Databricks Runtime 12.2 LTS e acima; Databricks Runtime 11.3 LTS e abaixo erro nessa condição.
Excluir colunas com mesclagem Delta Lake
Em Databricks Runtime 12.2 LTS e acima, o senhor pode usar cláusulas EXCEPT
nas condições de merge para excluir explicitamente as colunas. O comportamento da palavra-chave EXCEPT
varia de acordo com a ativação ou não da evolução do esquema.
Com a evolução do esquema desabilitada, a palavra-chave EXCEPT
se aplica à lista de colunas na tabela de destino e permite excluir colunas de UPDATE
ou INSERT
ações. As colunas excluídas são definidas como null
.
Com a evolução do esquema habilitada, a palavra-chave EXCEPT
se aplica à lista de colunas na tabela de origem e permite excluir colunas da evolução do esquema. Uma nova coluna na fonte que não esteja presente no destino não será adicionada ao esquema de destino se estiver listada na cláusula EXCEPT
. Colunas excluídas que já estão presentes no destino estão definidas como null
.
Os exemplos a seguir demonstram esta sintaxe:
Colunas |
Consulta (em SQL) |
Comportamento sem evolução do esquema (padrão) |
Comportamento com evolução do esquema |
---|---|---|---|
Colunas-alvo: Colunas de origem: |
MERGE INTO target t
USING source s
ON t.id = s.id
WHEN MATCHED
THEN UPDATE SET last_updated = current_date()
WHEN NOT MATCHED
THEN INSERT * EXCEPT (last_updated)
|
As linhas correspondentes são atualizadas definindo o campo |
As linhas correspondentes são atualizadas definindo o campo |
Colunas-alvo: Colunas de origem: |
MERGE INTO target t
USING source s
ON t.id = s.id
WHEN MATCHED
THEN UPDATE SET last_updated = current_date()
WHEN NOT MATCHED
THEN INSERT * EXCEPT (last_updated, internal_count)
|
|
As linhas correspondentes são atualizadas definindo o campo |
Evolução automática do esquema para matrizes de estruturas
O Delta MERGE INTO
é compatível com a resolução de campos estruturados por nome e esquemas em evolução para matrizes de estruturas. Com a evolução de esquema ativada, os esquemas das tabelas de destino se adaptarão para matrizes de estruturas, o que também é válido para qualquer estrutura aninhada dentro das matrizes.
Observação
Em Databricks Runtime 12.2 LTS e acima, os campos struct presentes na tabela de origem podem ser especificados por nome no comando insert ou update. Em Databricks Runtime 11.3 LTS e abaixo, somente o comando INSERT *
ou UPDATE SET *
pode ser usado para a evolução do esquema com merge.
Abaixo estão alguns exemplos dos impactos das operações de mesclagem com e sem evolução de esquema para matries de estruturas.
Esquema de origem |
Esquema de destino |
Comportamento sem evolução do esquema (padrão) |
Comportamento com evolução do esquema |
---|---|---|---|
array<struct<b: string, a: string>> |
matriz<struct<a: int, b: int>> |
O esquema de mesa permanece inalterado. As colunas serão resolvidas pelo nome e atualizadas ou inseridas. |
O esquema de mesa permanece inalterado. As colunas serão resolvidas pelo nome e atualizadas ou inseridas. |
array<struct<a: int, c: string, d: string>> |
array<struct<a: string, b: string>> |
|
O esquema de tabela é alterado para array<struct<a: string, b: string, c: string, d: string>>. |
array<struct<a: string, b: struct<c: string, d: string>>> |
array<struct<a: string, b: struct<c: string>>> |
|
O esquema de tabela de destino é alterado para array<struct<a: string, b: struct<c: string, d: string>>>. |
Como lidar com colunas NullType
em atualizações de esquemas
Como o Parquet não é compatível NullType
, as colunas NullType
são descartadas do DataFrame ao gravar em tabelas Delta, mas ainda são armazenadas no esquema. Quando um tipo de dados diferente é recebido para essa coluna, o Delta Lake mescla o esquema com o novo tipo de dados. Se o Delta Lake receber um NullType
para uma coluna existente, o esquema antigo será mantido e a nova coluna será descartada durante a gravação.
NullType
em transmissão não é compatível. Como você deve definir esquemas ao usar o streaming, isso deve ser muito raro. NullType
também não é aceito para tipos complexos, como ArrayType
MapType
e.
Substituir esquema de tabela
Por padrão, substituir os dados em uma tabela não substitui o esquema. Ao sobrescrever uma tabela usando mode("overwrite")
sem replaceWhere
, talvez você ainda queira substituir o esquema dos dados que estão sendo gravados. Você substitui o esquema e o particionamento da tabela definindo a opção overwriteSchema
como true
:
df.write.option("overwriteSchema", "true")
Importante
Você não pode especificar overwriteSchema
como true
ao usar a sobregravação de partição dinâmica.