Delta的真正用处和价值，你可知道

前言

应该说，Delta是最近几年Databricks开源的最有价值的东西。Databricks这几年对外致力于AI,对内则努力给客户提供一站式分析处理平台。这个一站式的核心是，内核包含了流和批的真正统一，那什么才是真正的流和批的统一呢？

1. 引擎内核统一

2. API统一

3. 数据存储统一

其中1,2两点Spark开源项目已经完成，而第三个，其实一直是没有一个好的开源项目完成的。功能上虽然很早就实现了，但是一直在DB内部作为商业产品databricks runtime的一部分来使用。

数据存储统一

不得不说，其实之前我们已经使用Parquet实现了统一，但这仅仅是格式上的统一，因为你唯一能做到的是：流写入的数据，批可以读。但是用过的人才知道真正的痛。对一个数据而言，我们不可避免会遇到如下问题：

1. 并发写

2. 一写多读

3. 多版本管理

在没有delta之前，一个文件如果在写，此时其无论批或者流读和写都会存在问题。简直没办法忍。比如你要更新一个数据，这个时候读也受到影响，还怎么对外提供服务？当然，你可能总有办法绕过去，但骨子里还是因为数据没办法得到真正的统一。

另外就是一个很常用的场景，就是可能有流，有批都会往一个表写入数据，然后流实时读取（场景是实时报表）。这个之前也是做不到的。 有了Delta，这些都可以做了

实际场景演示下

MLSQL 1.3.0-SNAPHOT已经升级支持Spark 2.4.2,并且支持Delta。 下面我们用MLSQL Stack演示下如何使用Delta.

set rawText='''
{"content":"MLSQL是一个好的语言","label":0.0},
{"content":"Spark是一个好的语言","label":1.0}
{"content":"MLSQL语言","label":0.0}
{"content":"MLSQL是一个好的语言","label":0.0}
{"content":"MLSQL是一个好的语言","label":1.0}
{"content":"MLSQL是一个好的语言","label":0.0}
{"content":"MLSQL是一个好的语言","label":0.0}
{"content":"MLSQL是一个好的语言","label":1.0}
{"content":"Spark好的语言","label":0.0}
{"content":"MLSQL是一个好的语言","label":0.0}
''';

load jsonStr.`rawText` as orginal_text_corpus;

save append orginal_text_corpus as delta.`/tmp/delta/table1`;
load delta.`/tmp/delta/table1` as output;

这里，我们人工造了一些数据，用delta格式写入。

接着，我们启动一个流式程序读取delta表的新增数据：

-- the stream name, should be uniq.
set streamName="streamExample";

-- load data as table
load rate.`/tmp/delta/table1` as datasource;

select *  from datasource 
as table21;

-- output the the result to console.
save append table21  
as console.`` 
options mode="Append"
and duration="15"
and checkpointLocation="/tmp/cpl4";

注意，这里用的rate而不是delta。 其实本质上他们是一致的，只是为了方便程序区分是流和批。

不时点击下写入delta的脚本，这样产生新的数据，然后通过下面命令查看流程序的情况：

!show "progress/streamExample";

在这里插入图片描述

总结

Delta为我们带来了一个流和批真正可以共用，并且可以并发读写的格式,除此之外，还做了大量的性能提升（包括提供新的索引），一个真正的数据湖便这么产生了。