使用 Azure 数据工厂或 Synapse Analytics 从 Google 云存储复制数据

Artículo
12/29/2023

适用于：Azure 数据工厂 Azure Synapse Analytics

本文概述了如何从 Google Cloud Storage (GCS) 复制数据。有关详细信息，请阅读 Azure 数据工厂和 Synapse Analytics 的简介文章。

支持的功能

此 Google Cloud Storage 连接器支持以下功能：

支持的功能	IR
复制活动（源/-）	① ②
Lookup 活动	① ②
GetMetadata 活动	① ②
Delete 活动	① ②

① Azure 集成运行时 ② 自承载集成运行时

具体而言，此 Google 云存储连接器支持按原样复制文件，或者使用受支持的文件格式和压缩编解码器分析文件。它利用 GCS 的 S3 兼容互操作性。

先决条件

Google 云存储帐户需要进行以下设置：

为 Google 云存储帐户启用互操作性
设置默认项目，使其包含要从目标 GCS Bucket 复制的数据。
使用 GCP 上的云标识和访问管理创建服务帐户并定义适当的权限级别。
为此服务帐户生成访问密钥。

检索 Google 云存储的访问密钥

所需的权限

若要从 Google 云存储复制数据，请确保你已被授予以下对象操作权限： storage.objects.get 和 storage.objects.list。

如果使用 UI 创作，则测试与链接服务的链接以及从根目录浏览之类的操作需要额外的 storage.buckets.list 权限。如果不想授予此权限，则可以选择 UI 中的“测试与文件路径的连接”或“从指定路径浏览”选项。

有关 Google 云存储角色和相关权限的完整列表，请参阅 Google 云站点上的云存储的 IAM 角色。

入门

若要使用管道执行复制活动，可以使用以下工具或 SDK 之一：

使用 UI 创建到 Google Cloud Storage 的链接服务

使用以下步骤在 Azure 门户 UI 中创建到 Google Cloud Storage 的链接服务。

浏览到 Azure 数据工厂或 Synapse 工作区中的“管理”选项卡并选择“链接服务”，然后单击“新建”：
- Azure 数据工厂
- Azure Synapse
搜索“Google”并选择“Google Cloud Storage (S3 API)连接器”。
配置服务详细信息、测试连接并创建新的链接服务。

连接器配置详细信息

以下各部分详细介绍了定义特定于 Google 云存储的数据工厂实体时使用的属性。

链接服务属性

Google 云存储链接服务支持以下属性：

属性	描述	必需
type	type 属性必须设置为 GoogleCloudStorage。	是
accessKeyId	机密访问键 ID。若要查找访问密钥和机密，请参阅先决条件。	是
secretAccessKey	机密访问键本身。将此字段标记为 SecureString 以安全地存储它，或引用存储在 Azure Key Vault 中的机密。	是
serviceUrl	将自定义 GCS 终结点指定为 `https://storage.googleapis.com`。	是
connectVia	用于连接到数据存储的集成运行时。可使用 Azure Integration Runtime 或自承载集成运行时（如果数据存储位于专用网络中）。如果未指定此属性，服务会使用默认的 Azure Integration Runtime。	否

下面是一个示例：

{
    "name": "GoogleCloudStorageLinkedService",
    "properties": {
        "type": "GoogleCloudStorage",
        "typeProperties": {
            "accessKeyId": "<access key id>",
            "secretAccessKey": {
                "type": "SecureString",
                "value": "<secret access key>"
            },
            "serviceUrl": "https://storage.googleapis.com"
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

数据集属性

Azure 数据工厂支持以下文件格式。请参阅每一篇介绍基于格式的设置的文章。

Google 云存储支持基于格式的数据集中 location 设置下的以下属性：

属性	描述	必需
type	数据集中 `location` 下的 type 属性必须设置为 GoogleCloudStorageLocation。	是
bucketName	GCS 桶名称。	是
folderPath	给定存储桶下的文件夹路径。如果要使用通配符来筛选文件夹，请跳过此设置并在活动源设置中进行相应的指定。	否
fileName	给定 Bucket 和文件夹路径下的文件名。如果要使用通配符来筛选文件，请跳过此设置并在活动源设置中进行相应的指定。	否

示例：

{
    "name": "DelimitedTextDataset",
    "properties": {
        "type": "DelimitedText",
        "linkedServiceName": {
            "referenceName": "<Google Cloud Storage linked service name>",
            "type": "LinkedServiceReference"
        },
        "schema": [ < physical schema, optional, auto retrieved during authoring > ],
        "typeProperties": {
            "location": {
                "type": "GoogleCloudStorageLocation",
                "bucketName": "bucketname",
                "folderPath": "folder/subfolder"
            },
            "columnDelimiter": ",",
            "quoteChar": "\"",
            "firstRowAsHeader": true,
            "compressionCodec": "gzip"
        }
    }
}

复制活动属性

有关可用于定义活动的各部分和属性的完整列表，请参阅管道一文。本部分提供了 Google 云存储源支持的属性列表。

Google 云存储作为源类型

Azure 数据工厂支持以下文件格式。请参阅每一篇介绍基于格式的设置的文章。

Google 云存储支持基于格式的复制源中 storeSettings 设置下的以下属性：

属性	描述	必需
type	`storeSettings` 下的 type 属性必须设置为 GoogleCloudStorageReadSettings。	是
找到要复制的文件：
选项 1：静态路径	从数据集中指定的给定存储桶或文件夹/文件路径复制。若要复制 Bucket 或文件夹中的所有文件，请另外将 `wildcardFileName` 指定为 `*`。
选项 2：GCS 前缀 - prefix	数据集中配置的给定 Bucket 下的 GCS 密钥名称的前缀，用于筛选源 GCS 文件。选择名称以 `bucket_in_dataset/this_prefix` 开头的 GCS 密钥。它利用 GCS 的服务端筛选器，相较于通配符筛选器，该筛选器可提供更好的性能。	否
选项 3：通配符 - wildcardFolderPath	数据集中配置的给定 Bucket 下包含通配符的文件夹路径，用于筛选源文件夹。允许的通配符为：`*`（匹配零个或更多字符）和 `?`（匹配零个或单个字符）。如果文件夹名内包含通配符或此转义字符，请使用 `^` 进行转义。请参阅文件夹和文件筛选器示例中的更多示例。	否
选项 3：通配符 - wildcardFileName	给定 Bucket 和文件夹路径（或通配符文件夹路径）下包含通配符的文件名，用于筛选源文件。允许的通配符为：`*`（匹配零个或更多字符）和 `?`（匹配零个或单个字符）。如果文件名包含通配符或此转义字符，请使用 `^` 进行转义。请参阅文件夹和文件筛选器示例中的更多示例。	是
选项 3：文件列表 - fileListPath	指明复制给定文件集。指向包含要复制的文件列表的文本文件，每行一个文件（即数据集中所配置路径的相对路径）。使用此选项时，请不要在数据集中指定文件名。请参阅文件列表示例中的更多示例。	否
其他设置：
recursive	指示是要从子文件夹中以递归方式读取数据，还是只从指定的文件夹中读取数据。请注意，当 recursive 设置为 true 且接收器是基于文件的存储时，将不会在接收器上复制或创建空的文件夹或子文件夹。允许的值为 true（默认值）和 false。如果配置 `fileListPath`，则此属性不适用。	否
deleteFilesAfterCompletion	指示是否会在二进制文件成功移到目标存储后将其从源存储中删除。文件删除按文件进行。因此，当复制活动失败时，你会看到一些文件已经复制到目标并从源中删除，而另一些文件仍保留在源存储中。此属性仅在二进制文件复制方案中有效。默认值：false。	否
modifiedDatetimeStart	文件根据“上次修改时间”属性进行筛选。如果文件的上次修改时间大于或等于 `modifiedDatetimeStart` 并且小于 `modifiedDatetimeEnd`，将选择这些文件。该时间应用于 UTC 时区，格式为“2018-12-01T05:00:00Z”。属性可以为 NULL，这意味着不向数据集应用任何文件属性筛选器。如果 `modifiedDatetimeStart` 具有日期/时间值，但 `modifiedDatetimeEnd` 为 NULL，则会选中“上次修改时间”属性大于或等于该日期/时间值的文件。如果 `modifiedDatetimeEnd` 具有日期/时间值，但 `modifiedDatetimeStart` 为 NULL，则会选中“上次修改时间”属性小于该日期/时间值的文件。如果配置 `fileListPath`，则此属性不适用。	否
modifiedDatetimeEnd	同上。	否
enablePartitionDiscovery	对于已分区的文件，请指定是否从文件路径分析分区，并将它们添加为附加的源列。允许的值为 false（默认）和 true 。	否
partitionRootPath	启用分区发现时，请指定绝对根路径，以便将已分区文件夹读取为数据列。如果未指定，默认情况下， - 在数据集或源的文件列表中使用文件路径时，分区根路径是在数据集中配置的路径。 - 使用通配符文件夹筛选器时，分区根路径是第一个通配符前的子路径。例如，假设你将数据集中的路径配置为“root/folder/year=2020/month=08/day=27”： - 如果将分区根路径指定为“root/folder/year=2020”，则除了文件内的列外，复制活动还将生成另外两个列 `month` 和 `day`，其值分别为“08”和“27”。 - 如果未指定分区根路径，则不会生成额外的列。	否
maxConcurrentConnections	活动运行期间与数据存储建立的并发连接的上限。仅在要限制并发连接时指定一个值。	否

示例：

"activities":[
    {
        "name": "CopyFromGoogleCloudStorage",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "<Delimited text input dataset name>",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "<output dataset name>",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "DelimitedTextSource",
                "formatSettings":{
                    "type": "DelimitedTextReadSettings",
                    "skipLineCount": 10
                },
                "storeSettings":{
                    "type": "GoogleCloudStorageReadSettings",
                    "recursive": true,
                    "wildcardFolderPath": "myfolder*A",
                    "wildcardFileName": "*.csv"
                }
            },
            "sink": {
                "type": "<sink type>"
            }
        }
    }
]

文件夹和文件筛选器示例

本部分介绍使用通配符筛选器生成文件夹路径和文件名的行为。

Bucket	key	recursive	源文件夹结构和筛选器结果（用粗体表示的文件已检索）
Bucket	`Folder/`	false	Bucket FolderA File1.csv File2.json Subfolder1 File3.csv File4.json File5.csv AnotherFolderB File6.csv
Bucket	`Folder/`	true	Bucket FolderA File1.csv File2.json Subfolder1 File3.csv File4.json File5.csv AnotherFolderB File6.csv
Bucket	`Folder/.csv`	false	Bucket FolderA File1.csv File2.json Subfolder1 File3.csv File4.json File5.csv AnotherFolderB File6.csv
Bucket	`Folder/.csv`	true	Bucket FolderA File1.csv File2.json Subfolder1 File3.csv File4.json File5.csv AnotherFolderB File6.csv

文件列表示例

本部分介绍了在复制活动源中使用文件列表路径时产生的行为。

假设有以下源文件夹结构，并且要复制以粗体显示的文件：

示例源结构	FileListToCopy.txt 中的内容	配置
Bucket FolderA File1.csv File2.json Subfolder1 File3.csv File4.json File5.csv 元数据 FileListToCopy.txt	File1.csv Subfolder1/File3.csv Subfolder1/File5.csv	在数据集中： - 桶：`bucket` - 文件夹路径：`FolderA` 在复制活动源中： - 文件列表路径：`bucket/Metadata/FileListToCopy.txt` 文件列表路径指向同一数据存储中的一个文本文件，该文件包含要复制的文件列表（每行一个文件，使用数据集中所配置路径的相对路径）。

查找活动属性

若要了解有关属性的详细信息，请查看 Lookup 活动。

GetMetadata 活动属性

若要了解有关属性的详细信息，请查看 GetMetadata 活动。

Delete 活动属性

若要了解有关属性的详细信息，请查看删除活动。

旧模型

如果你过去使用 Amazon S3 连接器从 Google 云存储复制数据，为了后向兼容，我们现在仍按原样支持此操作。建议使用前面提到的新模型。创作 UI 已切换为生成新模型。

有关复制活动支持作为源和接收器的数据存储的列表，请参阅支持的数据存储。

Compartir a través de

使用 Azure 数据工厂或 Synapse Analytics 从 Google 云存储复制数据

支持的功能

先决条件

所需的权限

入门

使用 UI 创建到 Google Cloud Storage 的链接服务

连接器配置详细信息

链接服务属性

数据集属性

复制活动属性

Google 云存储作为源类型

文件夹和文件筛选器示例

文件列表示例

查找活动属性

GetMetadata 活动属性

Delete 活动属性

旧模型

Recursos adicionales

Compartir a través de

使用 Azure 数据工厂或 Synapse Analytics 从 Google 云存储复制数据

支持的功能

先决条件

所需的权限

入门

使用 UI 创建到 Google Cloud Storage 的链接服务

连接器配置详细信息

链接服务属性

数据集属性

复制活动属性

Google 云存储作为源类型

文件夹和文件筛选器示例

文件列表示例

查找活动属性

GetMetadata 活动属性

Delete 活动属性

旧模型

相关内容

Recursos adicionales