表批處理讀寫

創建一個表

Delta Lake支持創建在metastore中定義的兩種表-表和由path定義的表。

可以通過以下方式創建表。

• SQL DDL命令:您可以使用Apache Spark中支持的標準SQL DDL命令(例如:創建表格而且取代表格)來創建增量表。

  創建表格如果不存在默認的．people10m（idINT，firstName字符串，middleName字符串，姓字符串，性別字符串，生日時間戳，ssn字符串，工資INT）使用δ創建或取代表格默認的．people10m（idINT，firstName字符串，middleName字符串，姓字符串，性別字符串，生日時間戳，ssn字符串，工資INT）使用δ

  請注意

  在Databricks Runtime 8.0及以上版本中，Delta Lake是默認格式，你不需要它使用δ．

  請注意

  在Databricks Runtime 7.0及以上版本中，為了避免AWS S3上的最終一致性問題，Databricks建議使用創建或取代語法,而不是下降表格緊隨其後的是一個創建表格．

  在Databricks Runtime 7.0及以上版本中，SQL還支持在一個路徑上創建表，而不需要在Hive metastore中創建條目。

  ——用path創建或替換表創建或取代表格δ．' /tmp/δ/people10m｀（idINT，firstName字符串，middleName字符串，姓字符串，性別字符串，生日時間戳，ssn字符串，工資INT）使用δ

• DataFrameWriterAPI:如果你想同時創建一個表，並從Spark DataFrames或Datasets中插入數據，你可以使用SparkDataFrameWriter（Scala或Java而且Python)．

  #使用DataFrame的模式在metastore創建表並寫入數據df．寫．格式（“δ”）．saveAsTable（“default.people10m”）使用DataFrame的模式創建或替換分區表，並向其寫入/覆蓋數據df．寫．格式（“δ”）．模式（“覆蓋”）．保存（“/ tmp /δ/ people10m”）

  //使用DataFrame的schema在metastore創建表並寫入數據df．寫．格式（“δ”)．saveAsTable（“default.people10m”）//使用DataFrame的模式創建帶有path的表，並向其寫入數據df．寫．格式（“δ”)．模式（“覆蓋”)．保存（“/ tmp /δ/ people10m”）

  • 在Databricks Runtime 8.0及以上版本中，Delta Lake是默認格式，你不需要指定使用δ，格式(“δ”),或使用(“δ”)．

  • 在Databricks Runtime 7.0及以上版本中，你也可以使用Spark創建Delta表DataFrameWriterV2API。

• DeltaTableBuilderAPI:你也可以使用DeltaTableBuilderDelta Lake中的API來創建表。與DataFrameWriter API相比，該API更容易指定附加信息，如列注釋、表屬性和生成的列．

  預覽

  這個特性在公共預覽．

  請注意

  該特性在Databricks Runtime 8.3及以上版本上可用。

  #在metastore創建表DeltaTable．createIfNotExists（火花）＼．的表（“default.people10m”）＼．addColumn（“id”，“INT”）＼．addColumn（“firstName”，“字符串”）＼．addColumn（“middleName”，“字符串”）＼．addColumn（“姓”，“字符串”，評論＝“姓”）＼．addColumn（“性別”，“字符串”）＼．addColumn（“生日”，“時間戳”）＼．addColumn（“ssn”，“字符串”）＼．addColumn（“工資”，“INT”）＼．執行（）#創建或替換表路徑和添加屬性DeltaTable．createOrReplace（火花）＼．addColumn（“id”，“INT”）＼．addColumn（“firstName”，“字符串”）＼．addColumn（“middleName”，“字符串”）＼．addColumn（“姓”，“字符串”，評論＝“姓”）＼．addColumn（“性別”，“字符串”）＼．addColumn（“生日”，“時間戳”）＼．addColumn（“ssn”，“字符串”）＼．addColumn（“工資”，“INT”）＼．財產（“描述”，“人員數據表”）＼．位置（“/ tmp /δ/ people10m”）＼．執行（）

  //在metastore上創建表DeltaTable．createOrReplace（火花）．的表（“default.people10m”）．addColumn（“id”，“INT”）．addColumn（“firstName”，“字符串”）．addColumn（“middleName”，“字符串”）．addColumn（DeltaTable．columnBuilder（“姓”）．數據類型（“字符串”）．評論（“姓”）．構建())．addColumn（“姓”，“字符串”，評論＝“姓”）．addColumn（“性別”，“字符串”）．addColumn（“生日”，“時間戳”）．addColumn（“ssn”，“字符串”）．addColumn（“工資”，“INT”）．執行（）//創建或替換table為path並添加屬性DeltaTable．createOrReplace（火花）．addColumn（“id”，“INT”）．addColumn（“firstName”，“字符串”）．addColumn（“middleName”，“字符串”）．addColumn（DeltaTable．columnBuilder（“姓”）．數據類型（“字符串”）．評論（“姓”）．構建())．addColumn（“姓”，“字符串”，評論＝“姓”）．addColumn（“性別”，“字符串”）．addColumn（“生日”，“時間戳”）．addColumn（“ssn”，“字符串”）．addColumn（“工資”，“INT”）．財產（“描述”，“人員數據表”）．位置（“/ tmp /δ/ people10m”）．執行（）

看到API文檔獲取詳細信息。

另請參閱創建一個表．

——在metastore中創建表創建表格默認的．people10m（idINT，firstName字符串，middleName字符串，姓字符串，性別字符串，生日時間戳，ssn字符串，工資INT）使用δ分區通過（性別）

df．寫．格式（“δ”）．partitionBy（“性別”）．saveAsTable（“default.people10m”）DeltaTable．創建（火花）＼．的表（“default.people10m”）＼．addColumn（“id”，“INT”）＼．addColumn（“firstName”，“字符串”）＼．addColumn（“middleName”，“字符串”）＼．addColumn（“姓”，“字符串”，評論＝“姓”）＼．addColumn（“性別”，“字符串”）＼．addColumn（“生日”，“時間戳”）＼．addColumn（“ssn”，“字符串”）＼．addColumn（“工資”，“INT”）＼．partitionedBy（“性別”）＼．執行（）

df．寫．格式（“δ”)．partitionBy（“性別”)．saveAsTable（“default.people10m”）DeltaTable．createOrReplace（火花）．的表（“default.people10m”）．addColumn（“id”，“INT”）．addColumn（“firstName”，“字符串”）．addColumn（“middleName”，“字符串”）．addColumn（DeltaTable．columnBuilder（“姓”）．數據類型（“字符串”）．評論（“姓”）．構建())．addColumn（“姓”，“字符串”，評論＝“姓”）．addColumn（“性別”，“字符串”）．addColumn（“生日”，“時間戳”）．addColumn（“ssn”，“字符串”）．addColumn（“工資”，“INT”）．partitionedBy（“性別”）．執行（）

選擇數（＊）>0作為｀分區存在｀從默認的．people10m在哪裏性別＝“M”

顯示（火花．sql（"SELECT COUNT(*) > 0 AS ' Partition exists ' FROM default. "people10m WHERE gender = 'M'）)

顯示（火花．sql（"SELECT COUNT(*) > 0 AS ' Partition exists ' FROM default. "people10m WHERE gender = 'M'）)

創建表格默認的．people10m（idINT，firstName字符串，middleName字符串，姓字符串，性別字符串，生日時間戳，dateOfBirth日期生成的總是作為（投（生日作為日期)),ssn字符串，工資INT）使用δ分區通過（性別）

DeltaTable．創建（火花）＼．的表（“default.people10m”）＼．addColumn（“id”，“INT”）＼．addColumn（“firstName”，“字符串”）＼．addColumn（“middleName”，“字符串”）＼．addColumn（“姓”，“字符串”，評論＝“姓”）＼．addColumn（“性別”，“字符串”）＼．addColumn（“生日”，“時間戳”）＼．addColumn（“dateOfBirth”，DateType()，generatedAlwaysAs＝“鑄(生日日期)”）＼．addColumn（“ssn”，“字符串”）＼．addColumn（“工資”，“INT”）＼．partitionedBy（“性別”）＼．執行（）

DeltaTable．創建（火花）．的表（“default.people10m”）．addColumn（“id”，“INT”）．addColumn（“firstName”，“字符串”）．addColumn（“middleName”，“字符串”）．addColumn（DeltaTable．columnBuilder（“姓”）．數據類型（“字符串”）．評論（“姓”）．構建())．addColumn（“姓”，“字符串”，評論＝“姓”）．addColumn（“性別”，“字符串”）．addColumn（“生日”，“時間戳”）．addColumn（DeltaTable．columnBuilder（“dateOfBirth”）．數據類型（DateType）．generatedAlwaysAs（“鑄(dateOfBirth日期)”）．構建())．addColumn（“ssn”，“字符串”）．addColumn（“工資”，“INT”）．partitionedBy（“性別”）．執行（）

創建表格事件（eventId長整型數字，數據字符串，eventType字符串，eventTime時間戳，eventDate日期生成的總是作為（投（eventTime作為日期）)）使用δ分區通過（eventType，eventDate）

選擇＊從事件在哪裏eventTime> =“2020-10-01”就是＜=“2020-10-01 12:00:00”

創建表格事件（eventId長整型數字，數據字符串，eventType字符串，eventTime時間戳，一年INT生成的總是作為（一年（eventTime)),月INT生成的總是作為（月（eventTime)),一天INT生成的總是作為（一天（eventTime）)）使用δ分區通過（eventType，一年，月，一天）

選擇＊從事件在哪裏eventTime> =“2020-10-01”就是＜=“2020-10-01 12:00:00”

集火花．磚．δ．屬性．違約．appendOnly＝真正的

讀一個表

通過指定表名或路徑，可以將Delta表作為DataFrame加載:

選擇＊從默認的．people10m——metastore中的查詢表選擇＊從δ．' /tmp/δ/people10m｀——按路徑查詢表

火花．表格（“default.people10m”）# metastore中的查詢表火花．讀．格式（“δ”）．負載（“/ tmp /δ/ people10m”）#按路徑查詢表

火花．表格（“default.people10m”）//查看metastore中的查詢表火花．讀．格式（“δ”)．負載（“/ tmp /δ/ people10m”）//按路徑創建表進口io．δ．值得一提的．＿火花．讀．δ（“/ tmp /δ/ people10m”）

返回的DataFrame為任何查詢自動讀取表的最近快照;你永遠不需要逃跑刷新表格．當查詢中有可應用的謂詞時，Delta Lake自動使用分區和統計數據讀取最小數量的數據。

查詢表的舊快照(時間旅行)

Delta Lake時間旅行允許查詢Delta表的舊快照。時間旅行有很多用例，包括:

• 重新創建分析、報告或輸出(例如，機器學習模型的輸出)。這對於調試或審計很有用，特別是在受管製的行業中。

• 編寫複雜的時態查詢。

• 修正數據中的錯誤。

• 為快速更改表的一組查詢提供快照隔離。

本節描述查詢舊版本表、數據保留問題的支持方法，並提供示例。

選擇＊從table_name時間戳作為的timestamp_expression選擇＊從table_name版本作為的版本

選擇＊從默認的．people10m時間戳作為的2018 - 10 - 18 t22:15:12.013z選擇＊從δ．' /tmp/δ/people10m｀版本作為的123

df1＝火花．讀．格式（“δ”）．選項（“timestampAsOf”，timestamp_string）．負載（“/ tmp /δ/ people10m”）df2＝火花．讀．格式（“δ”）．選項（“versionAsOf”，版本）．負載（“/ tmp /δ/ people10m”）

latest_version＝火花．sql（"SELECT max(version) FROM (DESCRIBE HISTORY delta. ' /tmp/delta/people10m ')"）．收集（）df＝火花．讀．格式（“δ”）．選項（“versionAsOf”，latest_version［0] [0])．負載（“/ tmp /δ/ people10m”）

選擇＊從默認的．people10m@20190101000000000選擇＊從默認的．people10m@v123

火花．讀．格式（“δ”）．負載（“/ tmp /δ/ people10m@20190101000000000”）#表號2019-01-01 00:00:00.000火花．讀．格式（“δ”）．負載（“/ tmp /δ/ people10m@v123”）#表在123版本

插入成my_table選擇＊從my_table時間戳作為的date_sub（當前日期()，1）在哪裏用戶標識＝111

合並成my_table目標使用my_table時間戳作為的date_sub（當前日期()，1）源在源．用戶標識＝目標．用戶標識當匹配然後更新集＊

選擇數（截然不同的用戶標識）-（選擇數（截然不同的用戶標識）從my_table時間戳作為的date_sub（當前日期()，7）)

寫入表

插入成默認的．people10m選擇＊從更多人

df．寫．格式（“δ”）．模式（“添加”）．保存（“/ tmp /δ/ people10m”）df．寫．格式（“δ”）．模式（“添加”）．saveAsTable（“default.people10m”）

df．寫．格式（“δ”)．模式（“添加”)．保存（“/ tmp /δ/ people10m”）df．寫．格式（“δ”)．模式（“添加”)．saveAsTable（“default.people10m”）進口io．δ．值得一提的．＿df．寫．模式（“添加”)．δ（“/ tmp /δ/ people10m”）

插入覆蓋表格默認的．people10m選擇＊從更多人

df．寫．格式（“δ”）．模式（“覆蓋”）．保存（“/ tmp /δ/ people10m”）df．寫．格式（“δ”）．模式（“覆蓋”）．saveAsTable（“default.people10m”）

df．寫．格式（“δ”)．模式（“覆蓋”)．保存（“/ tmp /δ/ people10m”）df．寫．格式（“δ”)．模式（“覆蓋”)．saveAsTable（“default.people10m”）進口io．δ．值得一提的．＿df．寫．模式（“覆蓋”)．δ（“/ tmp /δ/ people10m”）

df．寫＼．格式（“δ”）＼．模式（“覆蓋”）＼．選項（“replaceWhere”，"start_date >= '2017-01-01' AND end_date <= '2017-01-31'"）＼．保存（“/ tmp /δ/事件”）

df．寫．格式（“δ”）．模式（“覆蓋”）．選項（“replaceWhere”，"start_date >= '2017-01-01' AND end_date <= '2017-01-31'"）．保存（“/ tmp /δ/事件”）

火花．相依．集（“spark.databricks.delta.replaceWhere.constraintCheck.enabled”，假）

火花．相依．集（“spark.databricks.delta.replaceWhere.constraintCheck.enabled”，假）

df．寫＼．格式（“δ”）＼．模式（“覆蓋”）＼．選項（“replaceWhere”，"birthDate >= '2017-01-01' AND birthDate <= '2017-01-31'"）＼．保存（“/ tmp /δ/ people10m”）

df．寫．格式（“δ”）．模式（“覆蓋”）．選項（“replaceWhere”，"birthDate >= '2017-01-01' AND birthDate <= '2017-01-31'"）．保存（“/ tmp /δ/ people10m”）

火花．相依．集（“spark.databricks.delta.replaceWhere.dataColumns.enabled”，假）

火花．相依．集（“spark.databricks.delta.replaceWhere.dataColumns.enabled”，假）

集火花．sql．來源．partitionOverwriteMode＝動態；插入覆蓋表格默認的．people10m選擇＊從更多人；

df．寫＼．格式（“δ”）＼．模式（“覆蓋”）＼．選項（“partitionOverwriteMode”，“動態”）＼．saveAsTable（“default.people10m”）

df．寫．格式（“δ”）．模式（“覆蓋”）．選項（“partitionOverwriteMode”，“動態”）．saveAsTable（“default.people10m”）

df．寫．格式（“δ”）＼．模式（“添加”）＼．選項（“maxRecordsPerFile”，“10000”）＼．保存（“/ tmp /δ/ people10m”）

df．寫．格式（“δ”）．模式（“添加”）．選項（“maxRecordsPerFile”，“10000”）．保存（“/ tmp /δ/ people10m”）

app_id＝.．.作為應用程序ID使用的唯一字符串。版本＝.．.作為事務版本的單調遞增的數字。dataFrame．寫．格式（.．.）．選項（“txnVersion”，版本）．選項（“txnAppId”，app_id）．保存（.．.）

瓦爾appId＝.．.//應用程序ID的唯一字符串。版本＝.．.//作為事務版本的單調遞增的數字。dataFrame．寫．格式(…)。選項（“txnVersion”，版本)．選項（“txnAppId”，appId)．保存(…)

集火花．磚．δ．commitInfo．userMetadata＝覆蓋-為-修複-不正確的-數據插入覆蓋默認的．people10m選擇＊從更多人

df．寫．格式（“δ”）＼．模式（“覆蓋”）＼．選項（“userMetadata”，“overwritten-for-fixing-incorrect-data”）＼．保存（“/ tmp /δ/ people10m”）

df．寫．格式（“δ”）．模式（“覆蓋”）．選項（“userMetadata”，“overwritten-for-fixing-incorrect-data”）．保存（“/ tmp /δ/ people10m”）

模式驗證

Delta Lake自動驗證正在寫入的DataFrame的模式與表的模式是否兼容。Delta Lake使用以下規則來確定從DataFrame寫入表是否兼容:

• 所有DataFrame列必須存在於目標表中。如果DataFrame中的列不在表中，則會引發異常。表中存在但DataFrame中沒有的列被設為空。

• DataFrame列數據類型必須與目標表中的列數據類型匹配。如果它們不匹配，就會引發異常。

• DataFrame列名不能隻按大小寫不同。這意味著不能在同一個表中定義“Foo”和“Foo”等列。雖然可以在區分大小寫或不區分大小寫(默認)的模式下使用Spark，但Parquet在存儲和返回列信息時是區分大小寫的。Delta Lake是保留大小寫的，但在存儲模式時不敏感，並且有這個限製以避免潛在的錯誤、數據損壞或丟失問題。

Delta Lake支持DDL顯式添加新列，並支持自動更新模式。

如果指定其他選項，例如partitionBy，結合附加模式，Delta Lake將驗證它們是否匹配，並為任何不匹配拋出錯誤。當partitionBy不存在的情況下，自動追加現有數據的分區。

有關Delta Lake加強和發展模式的更多信息，請觀看YouTube視頻(55分鍾)。

更新表模式

Delta Lake允許您更新表的模式。支持以下類型的更改:

• 添加新列(在任意位置)

• 重新安排現有的列

• 重命名現有列

可以使用DDL顯式地進行這些更改，也可以使用DML隱式地進行這些更改。

推薦的方法請參見數據裏克上結構化流媒體應用的生產注意事項．

改變表格table_name添加列（col_namedata_type［評論col_comment］［第一個|後colA_name]，…)

改變表格table_name添加列（col_name．nested_col_namedata_type［評論col_comment］［第一個|後colA_name]，…)

-根|-可樂|-colB|+-field1|+-field2

-根|-可樂|-colB|+-field1|+-嵌套的|+-field2

改變表格table_name改變［列］col_namecol_namedata_type［評論col_comment］［第一個|後colA_name］

改變表格table_name改變［列］col_name．nested_col_namenested_col_namedata_type［評論col_comment］［第一個|後colA_name］

-根|-可樂|-colB|+-field1|+-field2

-根|-可樂|-colB|+-field2|+-field1

改變表格table_name取代列（col_name1col_type1［評論col_comment1]，…)

改變表格盒子取代列（colC字符串，colB結構體<field2：字符串，嵌套的：字符串，field1：字符串>，可樂字符串）

-根|-可樂|-colB|+-field1|+-field2

-根|-colC|-colB|+-field2|+-嵌套的|+-field1|-可樂

改變表格table_name重命名列old_col_name來new_col_name

改變表格table_name重命名列col_name．old_nested_field來new_nested_field

改變表格盒子重命名列colB．field1來field001

-根|-可樂|-colB|+-field1|+-field2

-根|-可樂|-colB|+-field001|+-field2

改變表格table_name下降列col_name

改變表格table_name下降列（col_name_1，col_name_2）

火花．讀．表格（.．.）＼．withColumn（“生日”，上校（“生日”）．投（“日期”）)＼．寫＼．格式（“δ”）＼．模式（“覆蓋”）．選項（“overwriteSchema”，“真正的”）＼．saveAsTable（.．.）

火花．讀．表格（.．.）＼．withColumnRenamed（“dateOfBirth”，“生日”）＼．寫＼．格式（“δ”）＼．模式（“覆蓋”）＼．選項（“overwriteSchema”，“真正的”）＼．saveAsTable（.．.）

替換表模式

默認情況下，覆蓋表中的數據不會覆蓋模式。當重寫表時使用模式(“覆蓋”)沒有replaceWhere，您可能仍然希望覆蓋正在寫入的數據的模式。可以通過設置。替換表的模式和分區overwriteSchema選項真正的：

df．寫．選項（“overwriteSchema”，“真正的”）

表意見

Delta Lake支持在Delta表上創建視圖，就像使用數據源表一樣。

這些視圖與訪問控製表以允許列級和行級安全性。

使用視圖進行操作時的核心挑戰是解析模式。如果更改Delta表模式，則必須重新創建派生視圖，以處理模式中添加的任何內容。例如，如果向Delta表添加新列，則必須確保該列在基表之上構建的適當視圖中可用。

表屬性

您可以使用將自己的元數據存儲為表屬性TBLPROPERTIES在創建而且改變．然後,您可以顯示元數據。例如:

改變表格默認的．people10m集TBLPROPERTIES（“部門”＝“會計”，“delta.appendOnly”＝“真正的”）;顯示表的屬性。顯示TBLPROPERTIES默認的．people10m；隻顯示'department'表屬性。顯示TBLPROPERTIES默認的．people10m（“部門”）;

TBLPROPERTIES作為增量表元數據的一部分存儲。不能定義newTBLPROPERTIES在一個創建語句，如果Delta表已經存在於給定位置。

此外，為了調整行為和性能，Delta Lake支持某些Delta表屬性:

• 塊在Delta表中刪除和更新:delta.appendOnly = true．

• 配置時間旅行保留屬性:delta.logRetentionDuration = < interval-string >而且delta.deletedFileRetentionDuration = < interval-string >．有關詳細信息,請參見數據保留．

• 配置統計的列數:delta.dataSkippingNumIndexedCols = n．此屬性向編寫器指示隻收集第一個的統計信息n表中的列。此外，數據跳過代碼會忽略此列索引以外的任何列的統計信息。此屬性僅對寫入的新數據有效。

• 隨機化文件前綴以避免S3元數據中的熱點:delta.randomizeFilePrefixes = true．對於需要大量(每秒數千個請求)快速讀寫操作的表，我們強烈建議將一個S3 bucket專用於一個表(將表定位在bucket的根)，並啟用隨機的文件前綴以獲得最佳體驗。

您還可以設置三角洲。-prefix - properties，在第一次使用Spark配置提交Delta表時使用。例如，用屬性初始化一個Delta表delta.appendOnly = true，設置Spark配置spark.databricks.delta.properties.defaults.appendOnly來真正的．例如:

火花．sql（"SET spark.databricks.delta.properties.defaults.appendOnly = true"）

火花．相依．集（“spark.databricks.delta.properties.defaults.appendOnly”，“真正的”）

火花．相依．集（“spark.databricks.delta.properties.defaults.appendOnly”，“真正的”）

看到也增量表屬性引用．

表元數據

Delta Lake具有豐富的功能來探索表元數據。

它支持顯示(分區|列)而且描述表格．看到

• 磚運行時7。x,上圖:顯示分區，顯示列，描述表

• Databricks Runtime 5.5 LTS和6.x:顯示分區，顯示列，描述表

它還提供了以下獨特的命令:

配置存儲憑證

Delta Lake使用Hadoop FileSystem api訪問存儲係統。存儲係統的信用通常可以通過Hadoop配置進行設置。Delta Lake提供了多種設置Hadoop配置的方法，類似於Apache Spark。

df1＝火花．讀．格式（“δ”）＼．選項（“fs.s3a.access.key”，“< access-key-1 >”）＼．選項（“fs.s3a.secret.key”，“< secret-key-1 >”）＼．讀（“…”）df2＝火花．讀．格式（“δ”）＼．選項（“fs.s3a.access.key”，“< access-key-1 >”）＼．選項（“fs.s3a.secret.key”，“< secret-key-2 >”）＼．讀（“…”）df1．聯盟（df2）．寫．格式（“δ”）＼．模式（“覆蓋”）＼．選項（“fs.s3a.access.key”，“< access-key-3 >”）＼．選項（“fs.s3a.secret.key”，“< secret-key-3 >”）＼．保存（“…”）

瓦爾df1＝火花．讀．格式（“δ”）．選項（“fs.s3a.access.key”，“< access-key-1 >”）．選項（“fs.s3a.secret.key”，“< secret-key-1 >”）．讀（“…”）瓦爾df2＝火花．讀．格式（“δ”）．選項（“fs.s3a.access.key”，“< access-key-2 >”）．選項（“fs.s3a.secret.key”，“< secret-key-2 >”）．讀（“…”）df1．聯盟（df2)．寫．格式（“δ”）．模式（“覆蓋”）．選項（“fs.s3a.access.key”，“< access-key-3 >”）．選項（“fs.s3a.secret.key”，“< secret-key-3 >”）．保存（“…”）

筆記本

關於各種Delta表元數據命令的示例，請參見以下筆記本的結尾: