SynapseSparkJobDefinitionActivity Klasse

Führen Sie die Spark-Auftragsaktivität aus.

Zum Senden an Azure müssen alle erforderlichen Parameter aufgefüllt werden.

Vererbung

azure.mgmt.datafactory.models._models_py3.ExecutionActivity

SynapseSparkJobDefinitionActivity

Konstruktor

SynapseSparkJobDefinitionActivity(*, name: str, spark_job: _models.SynapseSparkJobReference, additional_properties: Dict[str, MutableMapping[str, Any]] | None = None, description: str | None = None, state: str | _models.ActivityState | None = None, on_inactive_mark_as: str | _models.ActivityOnInactiveMarkAs | None = None, depends_on: List[_models.ActivityDependency] | None = None, user_properties: List[_models.UserProperty] | None = None, linked_service_name: _models.LinkedServiceReference | None = None, policy: _models.ActivityPolicy | None = None, arguments: List[Any] | None = None, file: MutableMapping[str, Any] | None = None, scan_folder: MutableMapping[str, Any] | None = None, class_name: MutableMapping[str, Any] | None = None, files: List[MutableMapping[str, Any]] | None = None, python_code_reference: List[MutableMapping[str, Any]] | None = None, files_v2: List[MutableMapping[str, Any]] | None = None, target_big_data_pool: _models.BigDataPoolParametrizationReference | None = None, executor_size: MutableMapping[str, Any] | None = None, conf: MutableMapping[str, Any] | None = None, driver_size: MutableMapping[str, Any] | None = None, num_executors: MutableMapping[str, Any] | None = None, configuration_type: str | _models.ConfigurationType | None = None, target_spark_configuration: _models.SparkConfigurationParametrizationReference | None = None, spark_config: Dict[str, MutableMapping[str, Any]] | None = None, **kwargs: Any)

Keyword-Only Parameter

Name	Beschreibung
additional_properties	dict[str, <xref:JSON>] Nicht übereinstimmende Eigenschaften aus der Nachricht werden für diese Auflistung deserialisiert.
name	str Aktivitätsname. Erforderlich.
description	str Aktivitätsbeschreibung.
state	str oder ActivityState Aktivitätsstatus. Dies ist eine optionale Eigenschaft, und wenn nicht angegeben, ist der Status standardmäßig Aktiv. Bekannte Werte sind: "Aktiv" und "Inaktiv".
on_inactive_mark_as	str oder ActivityOnInactiveMarkAs Statusergebnis der Aktivität, wenn der Status auf Inaktiv festgelegt ist. Dies ist eine optionale Eigenschaft. Wenn die Aktivität nicht angegeben wird, ist die status standardmäßig erfolgreich. Bekannte Werte sind: "Erfolgreich", "Failed" und "Skipped".
depends_on	list[ActivityDependency] Die Aktivität hängt von der Bedingung ab.
user_properties	list[UserProperty] Aktivitätsbenutzereigenschaften.
linked_service_name	LinkedServiceReference Verweis auf verknüpfte Dienste.
policy	ActivityPolicy Aktivitätsrichtlinie.
spark_job	SynapseSparkJobReference Synapse Spark-Auftragsreferenz. Erforderlich.
arguments	list[any] Vom Benutzer angegebene Argumente für SynapseSparkJobDefinitionActivity.
file	<xref:JSON> Die Standard-Datei, die für den Auftrag verwendet wird, wodurch die "Datei" der von Ihnen angegebenen Spark-Auftragsdefinition überschrieben wird. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
scan_folder	<xref:JSON> Beim Überprüfen von Unterordnern aus dem Stammordner der Hauptdefinitionsdatei werden diese Dateien als Referenzdateien hinzugefügt. In den Ordnern "jars", "pyFiles", "files" oder "archives" wird die Groß-/Kleinschreibung beachtet. Typ: boolean (oder Ausdruck mit resultType boolean).
class_name	<xref:JSON> Der vollqualifizierte Bezeichner oder die Standard-Klasse, die sich in der Standard-Definitionsdatei befindet, die den "className" der von Ihnen angegebenen Spark-Auftragsdefinition überschreibt. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
files	list[<xref:JSON>] (Veraltet. Verwenden Sie pythonCodeReference und filesV2) Zusätzliche Dateien, die als Referenz in der Standard-Definitionsdatei verwendet werden, wodurch die "Dateien" der von Ihnen bereitgestellten Spark-Auftragsdefinition außer Kraft gesetzt werden.
python_code_reference	list[<xref:JSON>] Zusätzliche Python-Codedateien, die als Referenz in der Standard-Definitionsdatei verwendet werden, die die "pyFiles" der von Ihnen bereitgestellten Spark-Auftragsdefinition überschreiben.
files_v2	list[<xref:JSON>] Zusätzliche Dateien, die als Referenz in der Standard-Definitionsdatei verwendet werden, wodurch die "jars" und "files" der von Ihnen angegebenen Spark-Auftragsdefinition außer Kraft gesetzt werden.
target_big_data_pool	BigDataPoolParametrizationReference Der Name des Big Data-Pools, der zum Ausführen des Spark-Batchauftrags verwendet wird, der den "targetBigDataPool" der von Ihnen angegebenen Spark-Auftragsdefinition überschreibt.
executor_size	<xref:JSON> Anzahl von Kernen und Arbeitsspeicher, die für Executors verwendet werden sollen, die im angegebenen Spark-Pool für den Auftrag zugewiesen werden, der zum Überschreiben von "executorCores" und "executorMemory" der von Ihnen bereitgestellten Spark-Auftragsdefinition verwendet wird. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
conf	<xref:JSON> Spark-Konfigurationseigenschaften, die die "Conf" der von Ihnen bereitgestellten Spark-Auftragsdefinition überschreiben.
driver_size	<xref:JSON> Die Anzahl des Kerns und des Arbeitsspeichers, der für den Treiber verwendet werden soll, der im angegebenen Spark-Pool für den Auftrag zugeordnet ist, der zum Überschreiben von "driverCores" und "driverMemory" der von Ihnen bereitgestellten Spark-Auftragsdefinition verwendet wird. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
num_executors	<xref:JSON> Anzahl der Executors, die für diesen Auftrag gestartet werden sollen, wodurch die "numExecutors" der von Ihnen bereitgestellten Spark-Auftragsdefinition überschrieben werden. Type: integer (oder Expression with resultType integer).
configuration_type	str oder ConfigurationType Der Typ der Spark-Konfiguration. Bekannte Werte sind "Default", "Customized" und "Artifact".
target_spark_configuration	SparkConfigurationParametrizationReference Die Spark-Konfiguration des Spark-Auftrags.
spark_config	dict[str, <xref:JSON>] Spark-Konfigurationseigenschaft.

Variablen

Name	Beschreibung
additional_properties	dict[str, <xref:JSON>] Nicht übereinstimmende Eigenschaften aus der Nachricht werden für diese Auflistung deserialisiert.
name	str Aktivitätsname. Erforderlich.
type	str Der Typ der Aktivität. Erforderlich.
description	str Aktivitätsbeschreibung.
state	str oder ActivityState Aktivitätsstatus. Dies ist eine optionale Eigenschaft, und wenn nicht angegeben, ist der Status standardmäßig Aktiv. Bekannte Werte sind: "Aktiv" und "Inaktiv".
on_inactive_mark_as	str oder ActivityOnInactiveMarkAs Statusergebnis der Aktivität, wenn der Status auf Inaktiv festgelegt ist. Dies ist eine optionale Eigenschaft. Wenn die Aktivität nicht angegeben wird, ist die status standardmäßig erfolgreich. Bekannte Werte sind: "Erfolgreich", "Failed" und "Skipped".
depends_on	list[ActivityDependency] Die Aktivität hängt von der Bedingung ab.
user_properties	list[UserProperty] Aktivitätsbenutzereigenschaften.
linked_service_name	LinkedServiceReference Verweis auf verknüpfte Dienste.
policy	ActivityPolicy Aktivitätsrichtlinie.
spark_job	SynapseSparkJobReference Synapse Spark-Auftragsreferenz. Erforderlich.
arguments	list[any] Vom Benutzer angegebene Argumente für SynapseSparkJobDefinitionActivity.
file	<xref:JSON> Die Standard-Datei, die für den Auftrag verwendet wird, wodurch die "Datei" der von Ihnen angegebenen Spark-Auftragsdefinition überschrieben wird. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
scan_folder	<xref:JSON> Beim Überprüfen von Unterordnern aus dem Stammordner der Hauptdefinitionsdatei werden diese Dateien als Referenzdateien hinzugefügt. In den Ordnern "jars", "pyFiles", "files" oder "archives" wird die Groß-/Kleinschreibung beachtet. Typ: boolean (oder Ausdruck mit resultType boolean).
class_name	<xref:JSON> Der vollqualifizierte Bezeichner oder die Standard-Klasse, die sich in der Standard-Definitionsdatei befindet, die den "className" der von Ihnen angegebenen Spark-Auftragsdefinition überschreibt. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
files	list[<xref:JSON>] (Veraltet. Verwenden Sie pythonCodeReference und filesV2) Zusätzliche Dateien, die als Referenz in der Standard-Definitionsdatei verwendet werden, wodurch die "Dateien" der von Ihnen bereitgestellten Spark-Auftragsdefinition außer Kraft gesetzt werden.
python_code_reference	list[<xref:JSON>] Zusätzliche Python-Codedateien, die als Referenz in der Standard-Definitionsdatei verwendet werden, die die "pyFiles" der von Ihnen bereitgestellten Spark-Auftragsdefinition überschreiben.
files_v2	list[<xref:JSON>] Zusätzliche Dateien, die als Referenz in der Standard-Definitionsdatei verwendet werden, wodurch die "jars" und "files" der von Ihnen angegebenen Spark-Auftragsdefinition außer Kraft gesetzt werden.
target_big_data_pool	BigDataPoolParametrizationReference Der Name des Big Data-Pools, der zum Ausführen des Spark-Batchauftrags verwendet wird, der den "targetBigDataPool" der von Ihnen angegebenen Spark-Auftragsdefinition überschreibt.
executor_size	<xref:JSON> Anzahl von Kernen und Arbeitsspeicher, die für Executors verwendet werden sollen, die im angegebenen Spark-Pool für den Auftrag zugewiesen werden, der zum Überschreiben von "executorCores" und "executorMemory" der von Ihnen bereitgestellten Spark-Auftragsdefinition verwendet wird. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
conf	<xref:JSON> Spark-Konfigurationseigenschaften, die die "Conf" der von Ihnen bereitgestellten Spark-Auftragsdefinition überschreiben.
driver_size	<xref:JSON> Die Anzahl des Kerns und des Arbeitsspeichers, der für den Treiber verwendet werden soll, der im angegebenen Spark-Pool für den Auftrag zugeordnet ist, der zum Überschreiben von "driverCores" und "driverMemory" der von Ihnen bereitgestellten Spark-Auftragsdefinition verwendet wird. Typ: string (oder Ausdruck mit resultType-Zeichenfolge).
num_executors	<xref:JSON> Anzahl der Executors, die für diesen Auftrag gestartet werden sollen, wodurch die "numExecutors" der von Ihnen bereitgestellten Spark-Auftragsdefinition überschrieben werden. Type: integer (oder Expression with resultType integer).
configuration_type	str oder ConfigurationType Der Typ der Spark-Konfiguration. Bekannte Werte sind "Default", "Customized" und "Artifact".
target_spark_configuration	SparkConfigurationParametrizationReference Die Spark-Konfiguration des Spark-Auftrags.
spark_config	dict[str, <xref:JSON>] Spark-Konfigurationseigenschaft.