Azure 数据工厂中带分隔符的文本格式

适用于： Azure 数据工厂

若要分析带分隔符的文本文件或以带分隔符的文本格式写入数据，请遵循此文章中的说明。

以下连接器支持带分隔符的文本格式：

• Amazon S3
• Amazon S3 兼容存储
• Azure Blob
• Azure Data Lake Storage Gen2
• Azure 文件
• 文件系统
• FTP
• Google Cloud Storage
• HDFS
• HTTP
• Oracle 云存储
• SFTP

数据集属性

有关可用于定义数据集的各部分和属性的完整列表，请参阅数据集一文。 本部分提供带分隔符的文本数据集支持的属性列表。

属性	说明	必须
type	数据集的类型属性必须设置为 DelimitedText。	是
location	文件的位置设置。 每个基于文件的连接器在 location 下都有其自己的位置类型和支持的属性。	是
columnDelimiter	用于分隔文件中的列的字符。 默认值为“逗号(,)”。 当列分隔符定义为空字符串（意味着没有分隔符）时，整行将被视为单个列。 目前，只有映射数据流支持使用空字符串作为列分隔符，而复制活动则不支持。	否
rowDelimiter	对于复制活动，是用于分隔文件中的行的单个字符或“\r\n”。 默认值为以下任何一项：[“\r\n”、“\r”、“\n”]（读取时）；“\r\n”（写入时）。 “\r\n”仅在复制命令中受支持。 对于映射数据流，是用于分隔文件中的行的单个或两个字符。 默认值为以下任何一项：[“\r\n”、“\r”、“\n”]（读取时）；“\n”（写入时）。 当行分隔符设置为“无分隔符”（空字符串）时，列分隔符也必须设置为“无分隔符”（空字符串），这意味着将整个内容视为单个值。 目前，只有映射数据流支持使用空字符串作为行分隔符，而复制活动则不支持。	否
quoteChar	当列包含列分隔符时，用于括住列值的单个字符。 默认值为双引号"。 将 quoteChar 定义为空字符串时，它表示不使用引号字符且不用引号括住列值，escapeChar 用于转义列分隔符和值本身。	否
escapeChar	用于转义括住值中的引号的单个字符。 默认值为反斜杠\ 。 将 escapeChar 定义为空字符串时，quoteChar 也必须设置为空字符串。在这种情况下，应确保所有列值不包含分隔符。	否
firstRowAsHeader	指定是否要将第一行视为/设为包含列名称的标头行。 允许的值为 true 和 true（默认值）。 当“将第一行用作标题”为 false 时，请注意，UI 数据预览和查找活动输出会自动以 Prop_{n} 格式（从 0 开始）生成列名称，复制活动需要使用从源到接收器的显式映射，并且按序号（从 1 开始）定位各个列，映射数据流以 Column_{n} 格式（从 1 开始）的名称列出和定位各个列。	否
nullValue	指定 null 值的字符串表示形式。 默认值为空字符串。	否
encodingName	用于读取/写入测试文件的编码类型。 允许的值如下所示：“UTF-8”、“不带 BOM 的 UTF-8”、“UTF-16”、“UTF-16BE”、“UTF-32”、“UTF-32BE”、“US-ASCII”、“UTF-7”“BIG5”、“EUC-JP”、“EUC-KR”、“GB2312”、“GB18030”、“JOHAB”、“SHIFT-JIS”、“CP875”、“CP866”、“IBM00858”、“IBM037”、“IBM273”、“IBM437”、“IBM500”、“IBM737”、“IBM775”、“IBM850”、“IBM852”、“IBM855”、“IBM857”、“IBM860”、“IBM861”、“IBM863”、“IBM864”、“IBM865”、“IBM869”、“IBM870”、“IBM01140”、“IBM01141”、“IBM01142”、“IBM01143”、“IBM01144”、“IBM01145”、“IBM01146”、“IBM01147”、“IBM01148”、“IBM01149”、“ISO-2022-JP”、“ISO-2022-KR”、“ISO-8859-1”、“ISO-8859-2”、“ISO-8859-3”、“ISO-8859-4”、“ISO-8859-5”、“ISO-8859-6”、“ISO-8859-7”、“ISO-8859-8”、“ISO-8859-9”、“ISO-8859-13”、“ISO-8859-15”、“WINDOWS-874”、“WINDOWS-1250”、“WINDOWS-1251”、“WINDOWS-1252”、“WINDOWS-1253”、“WINDOWS-1254”、“WINDOWS-1255”、“WINDOWS-1256”、“WINDOWS-1257”、“WINDOWS-1258”。 注意，映射数据流不支持 UTF-7 编码。	否
compressionCodec	用于读取/写入文本文件的压缩编解码器。 允许的值为 bzip2、gzip、deflate、ZipDeflate、TarGzip、Tar、snappy 或 lz4 。 默认设置是不压缩。 注意：目前，复制活动不支持“snappy”和“lz4”，映射数据流不支持“ZipDeflate”、“TarGzip”和“Tar”。 注意，使用复制活动解压缩 ZipDeflate/TarGzip/Tar 文件并将其写入基于文件的接收器数据存储时，默认情况下文件将提取到 <path specified in dataset>/<folder named as source compressed file>/ 文件夹，对复制活动源使用 preserveZipFileNameAsFolder/preserveCompressionFileNameAsFolder 来控制是否以文件夹结构形式保留压缩文件名 。	否
compressionLevel	压缩率。 允许的值为 Optimal 或 Fastest。 - Fastest：尽快完成压缩操作，不过，无法以最佳方式压缩生成的文件。 - Optimal：以最佳方式完成压缩操作，不过，需要耗费更长的时间。 有关详细信息，请参阅 Compression Level（压缩级别）主题。	否

下面是 Azure Blob 存储上的带分隔符的文本数据集的示例：

{
    "name": "DelimitedTextDataset",
    "properties": {
        "type": "DelimitedText",
        "linkedServiceName": {
            "referenceName": "<Azure Blob Storage linked service name>",
            "type": "LinkedServiceReference"
        },
        "schema": [ < physical schema, optional, retrievable during authoring > ],
        "typeProperties": {
            "location": {
                "type": "AzureBlobStorageLocation",
                "container": "containername",
                "folderPath": "folder/subfolder",
            },
            "columnDelimiter": ",",
            "quoteChar": "\"",
            "escapeChar": "\"",
            "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。 本部分提供带分隔符的文本源和接收器支持的属性列表。

带分隔符的文本作为源

复制活动的 *source* 部分支持以下属性。

属性	说明	必须
type	复制活动源的 type 属性必须设置为 DelimitedTextSource。	是
formatSettings	一组属性。 请参阅下面的“带分隔符的文本读取设置”表。	否
storeSettings	有关如何从数据存储读取数据的一组属性。 每个基于文件的连接器在 storeSettings 下都有其自己支持的读取设置。	否

formatSettings 下支持的带分隔符的文本读取设置：

属性	说明	必须
type	formatSettings 的类型必须设置为 DelimitedTextReadSettings。	是
skipLineCount	指示从输入文件读取数据时要跳过的非空行数 。 如果同时指定了 skipLineCount 和 firstRowAsHeader，则先跳过行，然后从输入文件读取标头信息。	否
compressionProperties	一组属性，指示如何为给定的压缩编解码器解压缩数据。	否
preserveZipFileNameAsFolder （在 compressionProperties->type 下为 ZipDeflateReadSettings）	当输入数据集配置了 ZipDeflate 压缩时适用。 指示是否在复制过程中以文件夹结构形式保留源 zip 文件名。 - 如果设置为“true(默认)”，服务会将解压缩的文件写入 <path specified in dataset>/<folder named as source zip file>/。 - 如果设置为“false”，服务会将解压缩的文件直接写入 <path specified in dataset>。 请确保不同的源 zip 文件中没有重复的文件名，以避免产生冲突或出现意外行为。	否
preserveCompressionFileNameAsFolder （在 compressionProperties->type 下为 TarGZipReadSettings 或 TarReadSettings）	当输入数据集配置了 TarGzip/Tar 压缩时适用 。 指示是否在复制过程中以文件夹结构形式保留源压缩文件名。 - 如果设置为“true(默认)”，服务会将解压缩文件写入 <path specified in dataset>/<folder named as source compressed file>/。 - 如果设置为“false”，服务会将解压文件直接写入 <path specified in dataset>。 请确保不同的源文件中没有重复的文件名，以避免产生冲突或出现意外行为。	否

"activities": [
    {
        "name": "CopyFromDelimitedText",
        "type": "Copy",
        "typeProperties": {
            "source": {
                "type": "DelimitedTextSource",
                "storeSettings": {
                    "type": "AzureBlobStorageReadSettings",
                    "recursive": true
                },
                "formatSettings": {
                    "type": "DelimitedTextReadSettings",
                    "skipLineCount": 3,
                    "compressionProperties": {
                        "type": "ZipDeflateReadSettings",
                        "preserveZipFileNameAsFolder": false
                    }
                }
            },
            ...
        }
        ...
    }
]

带分隔符的文本作为接收器

复制活动的 *sink* 部分支持以下属性。

属性	说明	必须
type	复制活动源的 type 属性必须设置为 DelimitedTextSink。	是
formatSettings	一组属性。 请参阅下面的“带分隔符的文本写入设置”表。	否
storeSettings	有关如何将数据写入到数据存储的一组属性。 每个基于文件的连接器在 storeSettings 下都有其自身支持的写入设置。	否

formatSettings 下支持的带分隔符的文本写入设置：

属性	说明	必须
type	formatSettings 的类型必须设置为 DelimitedTextWriteSettings。	是
fileExtension	用来为输出文件命名的扩展名，例如 .csv、.txt。 未在 DelimitedText 输出数据集中指定 fileName 时，必须指定该扩展名。 如果在输出数据集中配置了文件名，则它将其用作接收器文件名，并且将忽略文件扩展名设置。	未在输出数据集中指定文件名时为“是”
maxRowsPerFile	在将数据写入到文件夹时，可选择写入多个文件，并指定每个文件的最大行数。	否
fileNamePrefix	配置 maxRowsPerFile 时适用。 在将数据写入多个文件时，指定文件名前缀，生成的模式为 <fileNamePrefix>_00000.<fileExtension>。 如果未指定，将自动生成文件名前缀。 如果源是基于文件的存储或已启用分区选项的数据存储，则此属性不适用。	否

映射数据流属性

在映射数据流时，可以在以下数据存储中读取和写入分隔文本格式：Azure Blob 存储、Azure Data Lake Storage Gen2 和 SFTP。

源属性

下表列出了带分隔符的文本源支持的属性。 你可以在“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
通配符路径	将处理与通配符路径匹配的所有文件。 重写数据集中设置的文件夹和文件路径。	否	String[]	wildcardPaths
分区根路径	对于已分区的文件数据，可以输入分区根路径，以便将已分区的文件夹读取为列	否	字符串	partitionRootPath
文件列表	源是否指向某个列出待处理文件的文本文件	否	true 或 false	fileList
多行行	源文件是否包含跨多个行的行。 多行值必须用引号引起来。	否 true 或 false	multiLineRow
用于存储文件名的列	使用源文件名称和路径创建新列	否	字符串	rowUrlColumn
完成后	在处理后删除或移动文件。 文件路径从容器根开始	否	删除：true 或 false Move：['<from>', '<to>']	purgeFiles moveFiles
按上次修改时间筛选	选择根据上次更改时间筛选文件	否	时间戳	ModifiedAfter modifiedBefore
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
最大列数	默认值为 20480。 当列号超出 20480 时自定义此值	否	Integer	maxColumns

源示例

下图是映射数据流中带分隔符的文本源配置的示例。

关联的数据流脚本为：

source(
    allowSchemaDrift: true,
        validateSchema: false,
        ignoreNoFilesFound: false,
        multiLineRow: true,
        wildcardPaths:['*.csv']) ~> CSVSource

接收器属性

下表列出了带分隔符的文本接收器支持的属性。 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
清除文件夹	如果在写入前目标文件夹已被清除	否	true 或 false	truncate
文件名选项	写入的数据的命名格式。 默认情况下，每个分区有一个 part-#####-tid-<guid> 格式的文件	否	模式：String 按分区：String[] 将文件命名为列数据：字符串 输出到单个文件：['<fileName>'] 将文件夹命名为列数据：字符串	filePattern partitionFileNames rowUrlColumn partitionFileNames rowFolderUrlColumn
全部引用	将所有值括在引号中	否	true 或 false	quoteAll
标头	向输出文件添加客户标头	否	[<string array>]	标头的值开始缓存响应

接收器示例

下图是映射数据流中带分隔符的文本接收器配置的示例。

关联的数据流脚本为：

CSVSource sink(allowSchemaDrift: true,
    validateSchema: false,
    truncate: true,
    skipDuplicateMapInputs: true,
    skipDuplicateMapOutputs: true) ~> CSVSink

相关连接器和格式

下面是与带分隔符的文本格式相关的一些常见连接器和格式：

• Azure Blob 存储 (connector-azure-blob-storage.md)
• 二进制格式 (format-binary.md)
• Dataverse(connector-dynamics-crm-office-365.md)
• 增量格式 (format-delta.md)
• Excel 格式 (format-excel.md)
• 文件系统 (connector-file-system.md)
• FTP (connector-ftp.md)
• HTTP (connector-http.md)
• JSON 格式 (format-json.md)
• Parquet 格式 (format-parquet.md)

后续步骤

• 复制活动概述
• 映射数据流
• Lookup 活动
• GetMetadata 活动