在 Azure 数据工厂中转换数据

适用于: Azure 数据工厂 Azure Synapse Analytics

概述

本文介绍了 Azure 数据工厂中的数据转换活动,可利用这些活动将原始数据转换和处理为大规模预测和见解。 转换活动在计算环境(例如 Azure Databricks 或 Azure HDInsight)中执行。 其提供了相关文章链接,内附各转换活动的详细信息。

数据工厂支持以下数据转换活动,这些活动可单独添加到管道,还可与其他活动关联在一起。

使用数据流在 Azure 数据工厂中进行本机转换

映射数据流

映射数据流是 Azure 数据工厂中以可视方式设计的数据转换。 使用数据流,数据工程师可以开发图形化数据转换逻辑,无需编写代码。 生成的数据流将作为使用横向扩展 Spark 群集的 Azure 数据工厂管道中的活动执行。 可以通过现有的数据工厂计划、控制、流和监视功能,将数据流活动操作化。 有关详细信息,请参阅映射数据流

数据整理

Azure 数据工厂中的 Power Query 支持云规模数据整理,使你能够以迭代方式进行云规模的无代码数据准备。 数据整理与 Power Query Online 集成,并通过执行 spark,使 Power Query M 函数可用于云规模数据整理。 有关详细信息,请参阅 ADF 中的数据整理

外部转换

(可选)可以手动编写代码转换并自行管理外部计算环境。

HDInsight Hive 活动

数据工厂管道中的 HDInsight Hive 活动会在自己的或基于 Windows/Linux 的按需 HDInsight 群集上执行 Hive 查询。 有关此活动的详细信息,请参阅 Hive 活动一文。

HDInsight Pig 活动

数据工厂管道中的 HDInsight Pig 活动会在自己或基于 Windows/Linux 的按需 HDInsight 群集上执行 Pig 查询。 有关此活动的详细信息,请参阅 Pig 活动一文。

HDInsight MapReduce 活动

数据工厂管道中的 HDInsight MapReduce 活动会在自己或基于 Windows/Linux 的按需 HDInsight 群集上执行 MapReduce 程序。 有关此活动的详细信息,请参阅 MapReduce 活动一文。

HDInsight Streaming 活动

数据工厂管道中的 HDInsight 流式处理活动会在自己的或基于 Windows/Linux 的按需 HDInsight 群集上执行 Hadoop 流式处理程序。 有关此活动的详细信息,请参阅 HDInsight Streaming 活动

HDInsight Spark 活动

数据工厂管道中的 HDInsight Spark 活动在自己的 HDInsight 群集上执行 Spark 程序。 有关详细信息,请参阅从 Azure 数据工厂调用 Spark 程序

存储过程活动

可使用数据工厂管道中的 SQL Server 存储过程活动调用以下数据存储之一中的存储过程:你的企业或 Azure VM 中的 Azure SQL 数据库、Azure Synapse Analytics、SQL Server 数据库。 有关详细信息,请参阅存储过程活动一文。

Databricks Notebook 活动

数据工厂管道中的 Azure Databricks Notebook 活动在 Azure Databricks 工作区中运行 Databricks Notebook。 Azure Databricks 是一个用于运行 Apache Spark 的托管平台。 请参阅通过运行 Databricks Notebook 转换数据

Databricks Jar 活动

数据工厂管道中的 Azure Databricks Jar 活动运行 Azure Databricks 群集中的 Spark Jar。 Azure Databricks 是一个用于运行 Apache Spark 的托管平台。 请参阅通过运行 Azure Databricks 中的 Jar 活动转换数据

Databricks Python 活动

数据工厂管道中的 Azure Databricks Python 活动运行 Azure Databricks 群集中的 Python 文件。 Azure Databricks 是一个用于运行 Apache Spark 的托管平台。 请参阅通过运行 Azure Databricks 中的 Python 活动转换数据

自定义活动

如果需要采用数据工厂不支持的方式转换数据,可以使用自己的数据处理逻辑创建自定义活动,并在管道中使用该活动。 可以使用 Azure Batch 服务或 Azure HDInsight 群集配置要运行的自定义 .NET 活动。 有关详细信息,请参阅使用自定义活动文章。

可以创建一项自定义活动,在安装了 R 的 HDInsight 群集上运行 R 脚本。 请参阅 Run R Script using Azure Data Factory(使用 Azure 数据工厂运行 R 脚本)。

计算环境

为计算环境创建链接服务,并在定义转换活动时使用该服务。 数据工厂支持两类计算环境。

  • 按需:在这种情况下,计算环境由数据工厂完全托管。 作业提交到进程数据前,数据工厂服务会自动创建计算环境,作业完成后则自动将其删除。 针对作业执行、群集管理和启动操作,可以配置和控制按需计算环境的粒度设置。
  • 自带:在这种情况下,可将自己的计算环境(例如 HDInsight 群集)注册为数据工厂中的链接服务。 计算环境由用户进行管理,数据工厂服务使用它执行活动。

有关数据工厂支持的计算服务列表,请参阅 计算链接服务文章。

后续步骤

请参阅以下使用转换活动的示例教程:教程:使用 Spark 转换数据