Блог

Моя цель — постоянно помещать входящие файлы parquet в delta-lake, выполнять запросы и получать результаты в Rest API. Все файлы находятся в сегментах s3.

 //listen for changes
val df = spark.readStream().parquet("s3a://myBucket/folder")

//write changes to delta lake
df.writeStream()
    .format("delta")
    .option("checkpointLocation", "s3a://myBucket-processed/checkpoint")
    .start("s3a://myBucket-processed/")
    .awaitTermination() //this call lives in another thread (because it's blocking)

//this is a bad example
val query = df.select(convertedColumnNames) 
query.show()

//another bad example:
spark.readStream().format("delta").load("s3a://myBucket-processed/").select(convertedColumnNames).show()

//org.apache.spark.sql.AnalysisException: Queries with streaming sources must be executed with writeStream.start();;
  

Как я могу получить отфильтрованные данные из delta Lake?

Вы пробовали использовать foreachBatch?

Это позволяет использовать все пакетные функции для потоковой передачи, и вы также можете несколько контролировать количество файлов, которые вы записываете в delta lake.