Compartir a través de

Azure 数据工厂中的增量格式

  • Artículo

适用于： Azure 数据工厂 Azure Synapse Analytics

提示

试用 Microsoft Fabric 中的数据工厂，这是一种适用于企业的一站式分析解决方案。 Microsoft Fabric 涵盖从数据移动到数据科学、实时分析、商业智能和报告的所有内容。 了解如何免费开始新的试用版！

本文重点介绍如何使用增量格式从/向存储在 Azure Data Lake Store Gen2 或 Azure Blob 存储中的 delta lake 复制数据。 该连接器作为映射数据流中的内联数据集提供，同时用作源和接收器。

映射数据流属性

该连接器作为映射数据流中的内联数据集提供，同时用作源和接收器。

源属性

下表列出了 delta 源支持的属性。 可以在“源选项”选项卡中编辑这些属性。

名称 说明 必需 允许的值 数据流脚本属性
格式 格式必须为 delta 是 delta format
文件系统 delta lake 的容器/文件系统 是 字符串 fileSystem
文件夹路径 delta lake 的目录 是 字符串 folderPath
压缩类型 delta 表的压缩类型 否 bzip2
gzip
deflate
ZipDeflate
snappy
lz4		 compressionType
压缩级别 选择压缩是否尽快完成，或者是否应该以最佳方式压缩生成的文件。 如果指定了 compressedType，则为必需项。 Optimal 或 Fastest compressionLevel
按时间顺序查看 选择是否查询 delta 表的旧快照 否 按时间戳查询：时间戳
按版本查询：Integer		 timestampAsOf
versionAsOf
允许找不到文件 如果为 true，则找不到文件时不会引发错误 否 true 或 false ignoreNoFilesFound

导入架构

Delta 仅作为内联数据集提供，且默认情况下没有关联架构。 要获取列元数据，请单击“投影”选项卡中的“导入架构”按钮 。这样你可以引用语料库指定的列名称和数据类型。 若要导入架构，数据流调试会话必须处于活动状态，且你必须具有可以指向的现有 CDM 实体定义文件。

Delta 源脚本示例

source(output(movieId as integer,
            title as string,
            releaseDate as date,
            rated as boolean,
            screenedOn as timestamp,
            ticketPrice as decimal(10,2)
            ),
    store: 'local',
    format: 'delta',
    versionAsOf: 0,
    allowSchemaDrift: false,
    folderPath: $tempPath + '/delta'
  ) ~> movies

接收器属性

下表列出了 delta 接收器支持的属性。 可以在“设置”选项卡中编辑这些属性。

名称 说明 必需 允许的值 数据流脚本属性
格式 格式必须为 delta 是 delta format
文件系统 delta lake 的容器/文件系统 是 字符串 fileSystem
文件夹路径 delta lake 的目录 是 字符串 folderPath
压缩类型 delta 表的压缩类型 否 bzip2
gzip
deflate
ZipDeflate
snappy
lz4
TarGZip
tar		 compressionType
压缩级别 选择压缩是否尽快完成，或者是否应该以最佳方式压缩生成的文件。 如果指定了 compressedType，则为必需项。 Optimal 或 Fastest compressionLevel
清空 删除早于指定持续时间、不再与当前表版本相关的文件。 如果指定了 0 或更小的值，则不执行清理操作。 是 Integer vacuum
表操作 告知 ADF 如何处理接收器中的目标 Delta 表。 可以原样保留该行并追加新行，使用新的元数据和数据覆盖现有表定义和数据，或保留现有表结构，但首先截断所有行，然后插入新行。 否 无，截断，覆盖 deltaTruncate，覆盖
Update 方法 单独选择“允许插入”或写入新的增量表时，目标会接收所有传入行，而不考虑设置的行策略。 如果你的数据包含其他行策略的行，则需要使用前面的筛选器转换来排除它们。

选择所有更新方法时，会执行合并，根据使用前面的更改行转换设置的行策略插入/删除/更新行。		 是 true 或 false insertable
deletable
upsertable
可更新
优化写入 通过优化 Spark 执行程序中的内部随机选择，使写入操作实现更高的吞吐量。 因此，你可能会注意到较大的分区和文件比较少 否 true 或 false optimizedWrite: true
自动压缩 完成任何写入操作后，Spark 会自动执行 OPTIMIZE 命令以重新组织数据，并在必要时生成更多分区，以便在将来获得更好的读取性能 否 true 或 false autoCompact: true

Delta 接收器脚本示例

关联的数据流脚本为：

moviesAltered sink(
          input(movieId as integer,
                title as string
            ),
           mapColumn(
                movieId,
                title
            ),
           insertable: true,
           updateable: true,
           deletable: true,
           upsertable: false,
           keys: ['movieId'],
            store: 'local',
           format: 'delta',
           vacuum: 180,
           folderPath: $tempPath + '/delta'
           ) ~> movieDB

使用分区修剪的 Delta 接收器

在上述更新方法（即 update/upsert/delete）下使用此选项，可以限制检查的分区数。 只会从目标存储中提取满足此条件的分区。 可以指定分区列能够采用的一组固定值。

分区修剪选项可用于限制检查的屏幕截图。

使用分区修剪的 Delta 接收器脚本示例

下面提供了示例脚本。

DerivedColumn1 sink( 
      input(movieId as integer,
            title as string
           ), 
      allowSchemaDrift: true,
      validateSchema: false,
      format: 'delta',
      container: 'deltaContainer',
      folderPath: 'deltaPath',
      mergeSchema: false,
      autoCompact: false,
      optimizedWrite: false,
      vacuum: 0,
      deletable:false,
      insertable:true,
      updateable:true,
      upsertable:false,
      keys:['movieId'],
      pruneCondition:['part_col' -> ([5, 8])],
      skipDuplicateMapInputs: true,
      skipDuplicateMapOutputs: true) ~> sink2

Delta 只会从目标 Delta 存储中读取 part_col == 5 和 8 的 2 个分区，而不是读取所有分区。 part_col 是用作目标增量数据分区依据的列。 它不需要出现在源数据中。

Delta 接收器优化选项

在“设置”选项卡中，你会看到另外三个用于优化增量接收器转换的选项。

  • 如果启用“合并架构”选项，则允许架构演变，即当前传入流中有、但目标 Delta 表中没有的所有列会自动添加到架构中。 所有更新方法都支持此选项。

  • 如果启用“自动压缩”，在一次单独的写入操作后，转换将检查是否可以进一步压缩文件，并运行快速优化作业（文件大小为 128 MB 而不是 1 GB），以便对小文件数量最多的分区进一步压缩文件。 自动压缩有助于将大量小文件合并为少量大文件。 仅当至少有 50 个文件时，才会启动自动压缩。 一旦执行压缩操作，就会创建一个新版本的表，并以压缩形式写入一个新文件，其中包含多个先前文件的数据。

  • 如果启用“优化写入”，接收器转换将根据实际数据，通过尝试为每个表分区写出 128 MB 文件，来动态优化分区大小。 这是一个近似大小，可能因数据集特征而异。 优化的写入可以改善写入和后续读取的整体效率。 它会组织分区，使后续读取的性能得以提高。

提示

优化写入过程会减慢整个 ETL 作业的速度，因为接收器会在处理数据后发出 Spark Delta Lake Optimize 命令。 建议谨慎使用“优化写入”。 例如，如果你有一个每小时数据管道，请每天使用“优化写入”执行数据流。

已知限制

写入增量接收器时，存在一个已知的限制，即监视输出中无法显示写入的行数。

相关内容