kanganrui的专栏

第三章 Delta lake最基本操作，包括建库，建表，描述表结构，插入数据，查询数据，可以通过3种方式实现，分别是spark sql+sql语句，spark dataframe api，deltatable api，个人觉得用sql语句比较简单。第七章 表结构变化处理，主要是两类处理，一类是固定结构，遇到不一致的就报错，另外一个类就是结构可以根据数据变化，要实现主要在数据写入的时候，设置option("mergeSchema",true)。

今天继续学习Delta lake Up and Running 的第8章，处理流数据，要实现的结果就是在一个delta表（名为：YellowTaxiStreamSource）插入一条数据，然后通过流的方式能同步到另外一个delta表 （名为：YellowTaxiStreamTarget）。接着在YellowTaxiStreamSource更新数据YellowTaxiStreamTarget也能更新。至于删除也尝试过了，发现删除是没有办法同步的。

第一个遇到的情况，不能像之前那样逐列定义表，即使用sql语句也不行，一定要从另外一个表select数据才能建表成功，具体见代码中sqlText定义。比较一下查询效率，好像没有什么区别，也不知道是不是我的代码有问题，还是本身还是实验阶段。先记录下来，后面继续跟进学习。第二个遇到的情况，判断表是否存在不生效，所以建表的sql运行完第一次后要注释掉否则就会报错。

今天尝试一下将昨天的数据操作建立的表换成分区表，参考Delta Lake Up and Running做法用分区表的方式来更新数据。还要比较一下分区表的查询与非分区表的查询，结果显示分区表的查询速度要比非分区表要快。从最后一张图红框可以看到比较结果，分区表查询效率要高一点。

里面涉及spark的TimestampType类型，如何将字符串输入到TimestampType列，找了几个小时才找到答案，具体参考了如下连接，原来直接将string转成java.sql.Timestamp即可，于是在网上找了一个方法，实现了转换，转换代码非原创，也是借鉴其他大牛的。之前写的关于spark sql 操作delta lake表的，总觉得有点混乱，今天用Java以真实的数据来进行一次数据的CRUD操作，所涉及的数据来源于Delta lake up and running配套的 Git。

里面涉及的数据集YellowTaxi，在如下地址下载，这个也是Delta Lake Up and Runing的配套仓库。具体运行结果如下，没有什么需要注意的，纯粹就是输入一下代码，验证一下结果。

代码主要实现建立一个表名为YellowTaxi，插入5条数据，然后查询YellowTaxi这5条数据，再建立一个表YellowTaxiPartitioned，YellowTaxiPartitioned是分区表。具体文字内容如下，从结果可以看出分区表的查询效率要比不分区表要好，后面建表还是要用分区表。不分区查询开始时间（含毫秒）: 2024-05-01 11:29:39.655。不分区查询结束时间（含毫秒）: 2024-05-01 11:29:40.130。

3、修改pom.xml增加hadoop-aws依赖，这里要注意版本号，不知道如何确定版本号，去spark下载目录里面的jar目录，找hadoop-client-api-***.jar，其中***就是版本号了。config("spark.hadoop.fs.s3a.fast.upload.buffer", "bytebuffer")这一行一定要添加，否则会报错。1、安装Minio，去官网下载最新版本的Minio，进入下载目录，运行如下命令，曾经尝试过用docker来安装，不过数据无法保存成功。

今天要实现的内容是如何将昨天的HelloDetlaLake 在spark集群上运行，。里面的解决方法就是把Delta lake相关的jar包复制到spark安装目录下面的jar目录里面，于是决定尝试一下。复制完后，记得重新运行第2和第3步，重启spark。该问题又花了半天的时间到处找，最终找到一个类似的。

Detla lake with Java 入门