概要

本記事では、Databricks を使用して Azure SQL Database から DELETE されたレコードを特定し、それを Databricks に反映する方法を紹介します。通常、ソースシステムでレコードが削除されると、下流のシステムではそのレコードを特定するのが難しくなります。しかし、以前の記事で紹介した Azure SQL Database のテンポラルテーブル機能を利用することで、削除されたレコードを特定し、Databricks に反映することが可能です。

Azure SQL Database のテンポラルテーブル機能により DELETE されたレコードを取得する方法 #SQL - Qiita

検証コードと実行結果

Databricks にてスキーマとテーブルを作成

Databricks でスキーマとテーブルを作成するコードです。スキーマ名は 'qiita_test_01' とし、テーブル名は 'TempTableTest' としています。

schame_name = 'qiita_test_01'
table_name = f"{schame_name}.TempTableTest"

spark.sql(f"CREATE SCHEMA IF NOT EXISTS {schame_name}")

spark.sql(
    f"""
    CREATE OR REPLACE TABLE {table_name}
    (
        Id integer,
        Name string
    )
    """
)

Azure SQL Database にてテーブルの作成と初期データの挿入

Azure SQL Database でテーブルを作成し、初期データを挿入するコードです。サーバー名は 'ads-01'、データベース名も 'ads-01' としています。ユーザー名とパスワードは Databricks のシークレットスコープから取得します。

server = "ads-01"  ## サーバー名
database = "ads-01"  ## データベース名
username = dbutils.secrets.get(scope="qiita", key="sql_authentificate_user")  ## Azure SQL DB のユーザー名
password = dbutils.secrets.get(scope="qiita", key="sql_authentificate_password")  ## Azure SQL DB のパスワード

# Azure SQL Database にてテーブル作成とデータの挿入
sql = """
IF OBJECT_ID('dbo.TempTableTest', 'U') IS NOT NULL
    ALTER TABLE TempTableTest SET (SYSTEM_VERSIONING = OFF);
    DROP TABLE IF EXISTS TempTableTest;
    DROP TABLE IF EXISTS TempTableTestHistory;

CREATE TABLE dbo.TempTableTest (
    Id INT NOT NULL,
    Name VARCHAR(50),
    ValidFrom DATETIME2 GENERATED ALWAYS AS ROW START HIDDEN NOT NULL,
    ValidTo DATETIME2 GENERATED ALWAYS AS ROW END HIDDEN NOT NULL,
    PERIOD FOR SYSTEM_TIME(ValidFrom, ValidTo),
    CONSTRAINT PK_TempTableTest PRIMARY KEY CLUSTERED (Id)
    )
    WITH (
        SYSTEM_VERSIONING = ON
            (
                HISTORY_TABLE = dbo.TempTableTestHistory,
                HISTORY_RETENTION_PERIOD = 2 WEEKS
            )
    );
-- insert
INSERT INTO [dbo].[TempTableTest] (
    Id,
    Name
    )
VALUES (
    1,
    'a'
    );

-- update
INSERT INTO [dbo].[TempTableTest] (
    Id,
    Name
)
VALUES (
    2,
    NULL
);
UPDATE [dbo].[TempTableTest] SET Name = 'b' WHERE Id = 2;

-- data for delete
INSERT INTO [dbo].[TempTableTest] (
    Id,
    Name
    )
VALUES (
    3,
    'c'
    );
"""

df = (
    spark.read.format("sqlserver")
    .option("host", f"{server}.database.windows.net")
    .option("user", username)
    .option("password", password)
    .option("database", database)
    .option("prepareQuery", sql)
    .option("dbTable", "[dbo].[TempTableTest]")
    .load()
)

df.write.mode("overwrite").saveAsTable(table_name)

spark.table(table_name).display()

Azure SQL Database にて DELETE の実行

DELETE 操作を実行し、特定のレコードを削除するコードです。この例では、Id が 3 のレコードを削除しています。

# DELETE の実行
sql = """
DELETE TempTableTest
WHERE Id = 3;
"""

df = (
    spark.read.format("sqlserver")
    .option("host", f"{server}.database.windows.net")
    .option("user", username)
    .option("password", password)
    .option("database", database)
    .option("prepareQuery", sql)
    .option("dbTable", "[dbo].[TempTableTest]")
    .load()
)

df.display()

削除されたレコードを Databricks に反映

削除されたレコードを取得するための SQL クエリです。テンポラルテーブルの履歴を利用して、削除されたレコードを特定します。

# 削除されたレコードを取得
delete_records_sql = """
SELECT tgt.*
FROM [dbo].[TempTableTestHistory] tgt
LEFT OUTER JOIN [dbo].[TempTableTest] src
    ON tgt.Id = src.Id
WHERE tgt.ValidTo < '9999-12-31 23:59:59.9999999'
    AND src.Id IS NULL
"""

df = (
    spark.read.format("sqlserver")
    .option("host", f"{server}.database.windows.net")
    .option("user", username)
    .option("password", password)
    .option("database", database)
    .option("prepareQuery", sql)
    .option("query", delete_records_sql)
    .load()
)

Azure SQL Database から取得したレコードのキーカラムでマッチしたレコードを削除する Merge 文を実行します。

# Merge を実行するするために一意性を保証
key_cols = ["Id"]
df = df.select(key_cols).dropDuplicates(key_cols)

# Azure SQL Database から取得したデータに基づき Merge 文により DELETE を実行
src_table_name = "_temp_merge_source"
df.createOrReplaceTempView(src_table_name)
delete_sql = f"""
MERGE INTO {table_name} AS target 
    USING {src_table_name} AS source 
        ON target.Id = source.Id
    WHEN MATCHED THEN
        DELETE
;
"""
spark.sql(delete_sql)

Databricks にて DELETE されたことを確認

Databricks で DELETE されたレコードが反映されたことを確認するためのコードです。

# データを確認
spark.table(table_name).display()

まとめ

この記事では、Databricks と Azure SQL Database を使用して、ソースシステムで削除されたレコードを特定し、Databricks に反映する方法を紹介しました。Azure SQL Database のテンポラルテーブル機能を活用することで、削除されたレコードを効率的に特定し、Databricks でのデータ整合性を保つことが可能です。具体的な手順としては、Databricks でスキーマとテーブルを作成し、Azure SQL Database でテーブルを作成して初期データを挿入します。その後、DELETE 操作を実行し、削除されたレコードを履歴テーブルから取得します。最終的に、Databricks で Merge 文を使用して DELETE されたレコードを反映し、データの整合性を確認します。このプロセスにより、データの削除が下流のシステムに正確に反映され、データの信頼性が向上します。