嵌套列的 Spark、Delta Lake 自动模式演变

问题描述

模式演化在合并时的工作深度是多少？

在以下情况下合并时自动模式演变不起作用。

import json
d1 = {'a':'b','b':{'c':{'1':1}}}
d2 = {'a':'s','b':{'c':{'1':2,'2':2}}}
d3 = {'a':'v','b':{'c':{'1':4}}}

df1 = spark.read.json(spark.sparkContext.parallelize([json.dumps(d1)]))

#passes
df1.write.saveAsTable('test_table4',format='delta',mode='overwrite',path=f"hdfs://hdmaster:9000/dest/test_table4")


df2 = spark.read.json(spark.sparkContext.parallelize([json.dumps(d2)]))
df2.createOrReplaceTempView('updates')

query = """
MERGE INTO test_table4 existing_records 
        USING updates updates 
        ON existing_records.a=updates.a
        WHEN MATCHED THEN UPDATE SET * 
        WHEN NOT MATCHED THEN INSERT *
"""
spark.sql("set spark.databricks.delta.schema.autoMerge.enabled=true")
spark.sql(query) #passes



df3 = spark.read.json(spark.sparkContext.parallelize([json.dumps(d3)]))

df3.createOrReplaceTempView('updates')
query = """
MERGE INTO test_table4 existing_records 
        USING updates updates 
        ON existing_records.a=updates.a
        WHEN MATCHED THEN UPDATE SET * 
        WHEN NOT MATCHED THEN INSERT *
"""
spark.sql("set spark.databricks.delta.schema.autoMerge.enabled=true")
spark.sql(query) #FAILS #FAILS

当深度大于 2 并且传入的 df 缺少列时，这看起来像是失败。 这是故意的吗？ 如果要追加，这可以用 option("mergeSchema","true") 完美处理。但我想 UPSERT 数据。但是 Merge 无法处理这种架构更改

使用 Delta Lake 0.8.0 版

解决方法

在 Delta 0.8 中，除了更适用于 spark.databricks.delta.schema.autoMerge.enabled 模式的 true 之外，还应通过将 mergeSchema 设置为 append 来调节。

有关此功能的更多详细信息，请参阅 Delta 0.8 announcement blog post。