通过

create_streaming_table

使用create_streaming_table()函数为流式处理操作输出的记录（包括apply_changes()、apply_changes_from_snapshot()和@append_flow输出记录）创建目标表。

注释

create_target_table() 和 create_streaming_live_table() 函数已弃用。 Databricks 建议更新现有代码以使用 create_streaming_table() 函数。

语法

import dlt

dlt.create_streaming_table(
  name = "<table-name>",
  comment = "<comment>",
  spark_conf={"<key>" : "<value", "<key" : "<value>"},
  table_properties={"<key>" : "<value>", "<key>" : "<value>"},
  path="<storage-___location-path>",
  partition_cols=["<partition-column>", "<partition-column>"],
  cluster_by = ["<clustering-column>", "<clustering-column>"],
  schema="schema-definition",
  expect_all = {"<key>" : "<value", "<key" : "<value>"},
  expect_all_or_drop = {"<key>" : "<value", "<key" : "<value>"},
  expect_all_or_fail = {"<key>" : "<value", "<key" : "<value>"},
  row_filter = "row-filter-clause"
)

参数

参数 类型 DESCRIPTION
name str 必填。 表名称。
comment str 表的说明。
spark_conf dict 用于执行此查询的 Spark 配置列表
table_properties dict 表的dict的 。
path str 表数据的存储位置。 如果未设置，请使用包含表的架构的托管存储位置。
partition_cols list 用于对表进行分区的一个或多个列的列表。
cluster_by list 对表启用动态聚类，并定义要用作聚类键的列。 请参阅使用液体聚类分析 Delta 表。
schema str 或 StructType 表的架构定义。 架构可以定义为 SQL DDL 字符串，或使用 Python StructType 定义。
expect_all、expect_all_or_drop、expect_all_or_fail dict 数据表的质量约束。 提供相同的行为并使用与预期修饰器函数相同的语法，但作为参数实现。 请参阅 期望值。
row_filter str （公共预览版）表的行筛选器子句。 请参阅发布具有行筛选器和列掩码的表。