Delta Lake中CDC的实现

简介: Delta Lake中CDC的实现

背景


本文基于delta 2.0.0


Delta是通过CDF(change data feed)来实现CDC(change data capture)。


CDF是能让表能够输出数据表变化的能力,CDC是能够捕获和识别数据的变化,并能够将变化的数据交给下游做进一步的处理。


我们来分析一下是怎么做到数据行级别的CDF的


分析


在设置delta.enableChangeDataFeed= true的前提下(在Enable change data fedd有提及),我们分析一下逻辑计划DeltaDelete对应的RunnableCommand DeleteCommand的Run方法:

 final override def run(sparkSession: SparkSession): Seq[Row] = {
    recordDeltaOperation(deltaLog, "delta.dml.delete") {
      deltaLog.assertRemovable()
      deltaLog.withNewTransaction { txn =>
        val deleteActions = performDelete(sparkSession, deltaLog, txn)
        if (deleteActions.nonEmpty) {
          txn.commit(deleteActions, DeltaOperations.Delete(condition.map(_.sql).toSeq))
        }
      }
      // Re-cache all cached plans(including this relation itself, if it's cached) that refer to
      // this data source relation.
      sparkSession.sharedState.cacheManager.recacheByPlan(sparkSession, target)
    }
    Seq.empty[Row]
  }

最重要的方法是performDelete,这里的performDelete方法会根据condition来做不同的操作:


  • 如果没有条件,那就是全部删除:
    case None =>
      // Case 1: Delete the whole table if the condition is true
      val allFiles = txn.filterFiles(Nil)
      numRemovedFiles = allFiles.size
      scanTimeMs = (System.nanoTime() - startTime) / 1000 / 1000
      val (numBytes, numPartitions) = totalBytesAndDistinctPartitionValues(allFiles)
      numBytesRemoved = numBytes
      numFilesBeforeSkipping = numRemovedFiles
      numBytesBeforeSkipping = numBytes
      numFilesAfterSkipping = numRemovedFiles
      numBytesAfterSkipping = numBytes
      if (txn.metadata.partitionColumns.nonEmpty) {
        numPartitionsAfterSkipping = Some(numPartitions)
        numPartitionsRemovedFrom = Some(numPartitions)
        numPartitionsAddedTo = Some(0)
      }
      val operationTimestamp = System.currentTimeMillis()
      allFiles.map(_.removeWithTimestamp(operationTimestamp))

这里列举该表的所有文件,并把所有的文件标识为RemoveFile,并带上时间戳。


  • 如果是有筛选条件,则会根据筛选条件进行行级别的记录变更(这里还会根据情况具体分析):

  1. 1.能够从delta的元数据能够囊括过滤的条件,则只是在元数据层面进行修改:
   case Some(cond) =>
     val (metadataPredicates, otherPredicates) =
       DeltaTableUtils.splitMetadataAndDataPredicates(
         cond, txn.metadata.partitionColumns, sparkSession)
     numFilesBeforeSkipping = txn.snapshot.numOfFiles
     numBytesBeforeSkipping = txn.snapshot.sizeInBytes
     if (otherPredicates.isEmpty) {
       // Case 2: The condition can be evaluated using metadata only.
       //         Delete a set of files without the need of scanning any data files.
       val operationTimestamp = System.currentTimeMillis()
       val candidateFiles = txn.filterFiles(metadataPredicates)
       scanTimeMs = (System.nanoTime() - startTime) / 1000 / 1000
       numRemovedFiles = candidateFiles.size
       numBytesRemoved = candidateFiles.map(_.size).sum
       numFilesAfterSkipping = candidateFiles.size
       val (numCandidateBytes, numCandidatePartitions) =
         totalBytesAndDistinctPartitionValues(candidateFiles)
       numBytesAfterSkipping = numCandidateBytes
       if (txn.metadata.partitionColumns.nonEmpty) {
         numPartitionsAfterSkipping = Some(numCandidatePartitions)
         numPartitionsRemovedFrom = Some(numCandidatePartitions)
         numPartitionsAddedTo = Some(0)
       }
       candidateFiles.map(_.removeWithTimestamp(operationTimestamp))
     }

DeltaTableUtils.splitMetadataAndDataPredicates是判断过滤条件是否是在元数据层能够囊括,如果可以的话,就通过valcandidateFiles = txn.filterFiles(metadataPredicates)来过滤出所有的文件,然后通过candidateFiles.map(_.removeWithTimestamp(operationTimestamp))在元数据层面进行删除.


2. 如果不仅仅是从元数据层面进行过滤,则会过滤出所有满足条件的数据:

      val candidateFiles = txn.filterFiles(metadataPredicates ++ otherPredicates)
      numFilesAfterSkipping = candidateFiles.size
      val (numCandidateBytes, numCandidatePartitions) =
        totalBytesAndDistinctPartitionValues(candidateFiles)
      numBytesAfterSkipping = numCandidateBytes
      if (txn.metadata.partitionColumns.nonEmpty) {
        numPartitionsAfterSkipping = Some(numCandidatePartitions)
      }
      val nameToAddFileMap = generateCandidateFileMap(deltaLog.dataPath, candidateFiles)
      val fileIndex = new TahoeBatchFileIndex(
        sparkSession, "delete", candidateFiles, deltaLog, deltaLog.dataPath, txn.snapshot)
      // Keep everything from the resolved target except a new TahoeFileIndex
      // that only involves the affected files instead of all files.
      val newTarget = DeltaTableUtils.replaceFileIndex(target, fileIndex)
      val data = Dataset.ofRows(sparkSession, newTarget)
      val deletedRowCount = metrics("numDeletedRows")
      val deletedRowUdf = udf { () =>
        deletedRowCount += 1
        true
      }.asNondeterministic()
      val filesToRewrite =
        withStatusCode("DELTA", FINDING_TOUCHED_FILES_MSG) {
          if (candidateFiles.isEmpty) {
            Array.empty[String]
          } else {
            data
              .filter(new Column(cond))
              .filter(deletedRowUdf())
              .select(new Column(InputFileName())).distinct()
              .as[String].collect()
          }
        }
      numRemovedFiles = filesToRewrite.length
      scanTimeMs = (System.nanoTime() - startTime) / 1000 / 1000

val candidateFiles = txn.filterFiles(metadataPredicates ++ otherPredicates) 这一步是过滤出满足条件的文件,大概思路是根据列的统计信息来过滤出不存在的文件,从而山选出可能存在的文件,


val nameToAddFileMap = generateCandidateFileMap(deltaLog.dataPath, candidateFiles) 得到具体的文件路径


val data = Dataset.ofRows(sparkSession, newTarget)这一步是替换了fileIndex之后的dataset


val filesToRewrite = ... 是得到需要重写的文件

 val baseRelation = buildBaseRelation(
 sparkSession, txn, "delete", deltaLog.dataPath, filesToRewrite, nameToAddFileMap)
  // Keep everything from the resolved target except a new TahoeFileIndex
  // that only involves the affected files instead of all files.
 val newTarget = DeltaTableUtils.replaceFileIndex(target, baseRelation.location)
 val targetDF = Dataset.ofRows(sparkSession, newTarget)
 val filterCond = Not(EqualNullSafe(cond, Literal.TrueLiteral))
 val rewrittenActions = rewriteFiles(txn, targetDF, filterCond, filesToRewrite.length)
 val (changeFiles, rewrittenFiles) = rewrittenActions
     .partition(_.isInstanceOf[AddCDCFile])
     ...
 val operationTimestamp = System.currentTimeMillis()
 removeFilesFromPaths(deltaLog, nameToAddFileMap, filesToRewrite, operationTimestamp) ++
 rewrittenActions   

val rewrittenActions = rewriteFiles(txn, targetDF, filterCond, filesToRewrite.length) 会根据每一行是否满足条件来增加一个名为“_change_type”值为“delete”的列:

    baseData
   .filter(numTouchedRowsUdf())
   .withColumn(
     CDC_TYPE_COLUMN_NAME,
     new Column(
       If(filterCondition, typedLit[String](CDC_TYPE_NOT_CDC).expr,
       lit(CDC_TYPE_DELETE).expr)
     )
  ...
  txn.writeFiles(dfToWrite)

1.这里的 txn.writeFiles(dfToWrite) 会进行根据是否存在“_change_type” 列来插入名为“__is_cdc”, 值为“true或false”的列,同时也会增加分区列“__is_cdc”


注意在txn.writeFiles(dfToWrite)如下代码块中:

 val committer = getCommitter(outputPath)

会得到DelayedCommitProtocol对象,这个对象里的newTaskTempFile方法,会对CDC的数据做额外处理:

  } else if (subDir.startsWith(cdcPartitionTrue)) {
    val cleanedSubDir = cdcPartitionTrueRegex.replaceFirstIn(subDir, CDC_LOCATION)
    new Path(cleanedSubDir, filename)
  1. 其中CDC_LOCATION的值为“_change_data”,这样所有有变化的数据就存在了“_change_data”目录下了.

  2. 2.在writeFiles方法最后会返回两种元数据文件,如下:
  val resultFiles = committer.addedStatuses.map { a =>
  a.copy(stats = optionalStatsTracker.map(
   _.recordedStats(new Path(new URI(a.path)).getName)).getOrElse(a.stats))
   }
  resultFiles.toSeq ++ committer.changeFiles
  • addedStatuses返回的是AddFile文件,这表明是没有改动的文件,

  • changeFiles返回的是AddCDCFile文件,这表明的是满足条件的需要被delete的文件
    其实这两种文件的区分最终还是在commitTask方法中,

commitTask中的buildActionFromAddedFile方法会根据__is_cdc=true来区分AddCDCFileAddFile文件, 如果存在,则是AddCDCFile,否则是AddFile,代码如下:

val partitioning = f._1.filter { case (k, v) => k != CDC_PARTITION_COL }
f._1.get(CDC_PARTITION_COL) match {
 case Some("true") =>
   val partitioning = f._1.filter { case (k, v) => k != CDC_PARTITION_COL }
   AddCDCFile(f._2, partitioning, stat.getLen)
 case _ =>
   val addFile = AddFile(f._2, partitioning, stat.getLen, stat.getModificationTime, true)
   addFile

最终会被commitTask方法调用,最终传递到Driver端,这样rewrite就会返回两种元数据文件。请注意这里并还没有进行元数据的操作,真正的元数据的操作在 txn.commit


val (changeFiles, rewrittenFiles) = rewrittenActions.partition(_.isInstanceOf[AddCDCFile])根据两种元数据文件的不同进行metrics级别的记录


removeFilesFromPaths(deltaLog, nameToAddFileMap, filesToRewrite, operationTimestamp) ++ rewrittenActions这一步主要是在元数据层面删除根据条件过滤出来的数据,因为该数据已经根据用户的条件已经处理完了。


结论


根据以上的分析,可以知道目前的CDF只是在Delte层级做了反馈,如果说想要在Flink层达到CDC的效果,还得有个中间层,把delta里的CDF的数据给读取出来,转换Flink 内部形式的ChangelogMode CDC格式(比如说INSERT("+I", (byte) 0),DELETE("-D", (byte) 3))


相关文章
|
存储 Kubernetes API
kubernetes【存储】1. 共享存储pv、pvc、StorageClass使用详解(1)
kubernetes【存储】1. 共享存储pv、pvc、StorageClass使用详解(1)
kubernetes【存储】1. 共享存储pv、pvc、StorageClass使用详解(1)
|
10月前
|
自然语言处理 DataWorks 数据挖掘
使用DataWorks Notebook实现智能图片标注,给你的图片加个“注释”
本文介绍如何使用DataWorks Notebook结合视觉识别模型RAM和自然语言处理模型BERT实现多模态图片标注,为智能内容生成和多模态数据分析的广泛应用提供支持。
|
机器学习/深度学习 人工智能 算法
探索量子计算:原理、进展与未来影响
探索量子计算:原理、进展与未来影响
|
安全 API PHP
港澳台验证码海外短信群发教程,利用阿里云国际如何实现境外短信操作
港澳台验证码海外短信群发教程,利用阿里云国际如何实现境外短信操作
|
Web App开发 前端开发 UED
移动端适配布局指南:打造完美用户体验的秘密武器
【8月更文挑战第26天】在Web前端开发中,选择合适的移动端适配方案对确保跨设备的良好显示与用户体验至关重要。常用方案包括:媒体查询实现响应式布局;百分比、flexbox与CSS Grid布局提供更灵活的设计;结合viewport元标签和rem单位实现等比缩放;利用第三方库如Bootstrap加速开发。实践中应综合运用这些技术,并通过广泛测试保证兼容性和效果。
489 4
|
开发框架 自然语言处理 Java
跨平台服务开发的利器——深入解析Thrift Compiler的工作机制与内部实现细节!
【8月更文挑战第18天】在现代软件开发中,代码生成器日益重要,能根据特定输入自动生成源代码,提高效率与可维护性。Thrift作为跨平台多语言框架,通过IDL文件定义数据和服务接口,并据此生成多语言代码,涵盖序列化、方法调用等。以示例IDL定义为例,Thrift Compiler生成服务端骨架与客户端代码框架,便于开发者添加业务逻辑。深入源码,“compiler/cpp/src/thriftl”目录下的组件负责词法、语法分析及代码生成,映射IDL至特定语言,体现编译原理与跨语言设计精髓。
322 0
前辈们,阿里云服务器重启需要多久呀?
学习时遇到服务中断,尝试重启云服务器已超过10分钟仍未完成。询问大约需要多长时间才能重启成功。
411 1
|
消息中间件 Kafka 程序员
Kafka内幕:详解Leader选举与副本同步的那些事儿
大家好,我是小米,今天给大家带来一篇关于 Kafka 核心机制的深度解析文章。本文将详细讲解 Kafka 的 Leader 选举、副本消息同步以及相关概念 LEO 和 HW,帮助大家更好地理解和应用 Kafka,提升处理分布式系统的能力。快来一起学习吧!
960 0
|
小程序 开发者
小心你的小程序被清退!小程序备案全流程攻略
小心你的小程序被清退!小程序备案全流程攻略
1841 1
|
消息中间件 存储 缓存
不看损失大了,刨根问底,Kafka消息中间件到底会不会丢消息
不看损失大了,刨根问底,Kafka消息中间件到底会不会丢消息
1145 99
不看损失大了,刨根问底,Kafka消息中间件到底会不会丢消息