Opciones de Auto Loader

Las opciones de configuración específicas del origen cloudFiles tienen el prefijo cloudFiles, de forma que se encuentran en un espacio de nombres independiente de otras opciones de origen de streaming estructurado.

Nota:

La compatibilidad con el formato de archivo XML nativo está disponible como versión preliminar privada. Consulte Formato XML.

Opciones comunes de Auto Loader

Puede configurar las siguientes opciones de la lista de directorios o el modo de notificación de archivos.

Opción
cloudFiles.allowOverwrites

Tipo: Boolean

Indica si se permiten cambios en el archivo de directorio de entrada para sobrescribir los datos existentes. Disponible en Databricks Runtime 7.6 y versiones superiores.

Hay algunas advertencias sobre cómo habilitar esta configuración. Consulte Preguntas más frecuentes sobre el cargador automático para obtener más información.

Valor predeterminado: false
cloudFiles.backfillInterval

Tipo: Interval String

Auto Loader puede desencadenar reposiciones asincrónicas en un intervalo determinado.
Por ejemplo, 1 day para reposicionar una vez al día o 1 week para reposicionar una vez a la semana. Los sistemas de notificación de eventos de archivo no garantizan la entrega al 100 % de todos los archivos que se han cargado, por lo que puede usar las reposiciones para garantizar que todos los archivos se procesan finalmente; disponible en Databricks Runtime 8.4 (no compatible) y versiones superiores.

Valor predeterminado: ninguno
cloudFiles.format

Tipo: String

El formato del archivo de datos en la ruta de acceso de origen. Los valores permitidos son:

* avro: archivo Avro
* binaryFile: archivo binario
* csv: lectura y escritura en archivos CSV
* json: archivo JSON
* orc: archivo ORC
* parquet: Lectura de archivos Parquet mediante Azure Databricks
* text: archivo de texto

Valor predeterminado: ninguno (opción obligatoria)
cloudFiles.includeExistingFiles

Tipo: Boolean

Indica si se incluyen los archivos existentes en la ruta de acceso de entrada del procesamiento de flujos o si solo se procesan los nuevos archivos que llegan después de la configuración inicial. Esta opción solo se evalúa cuando se inicia una secuencia por primera vez. Cambiar esta opción después de reiniciar la secuencia no tiene ningún efecto.

Valor predeterminado: true
cloudFiles.inferColumnTypes

Tipo: Boolean

Indica si se infieren los tipos de columna exactos al aprovechar la inferencia de esquema. De manera predeterminada, las columnas se infieren como cadenas al inferir conjuntos de datos JSON y CSV. Consulte Inferencia de esquemas para obtener más detalles.

Valor predeterminado: false
cloudFiles.maxBytesPerTrigger

Tipo: Byte String

Número máximo de bytes nuevos que se procesarán en cada desencadenador. Puede especificar una cadena de bytes como 10g para limitar cada microlote a 10 GB de datos. Se trata de un máximo flexible. Si tiene archivos de 3 GB cada uno, Azure Databricks procesa 12 GB en un microlote. Cuando se usa junto con cloudFiles.maxFilesPerTrigger, Azure Databricks consume hasta el límite inferior de cloudFiles.maxFilesPerTrigger o cloudFiles.maxBytesPerTrigger, lo que se alcance primero. Esta opción no tiene ningún efecto cuando se usa con Trigger.Once() (en desuso).

Valor predeterminado: ninguno
cloudFiles.maxFileAge

Tipo: Interval String

Cuánto dura el seguimiento de un evento de archivo con fines de desduplicación. Databricks no recomienda ajustar este parámetro a menos que ingiera datos en el orden de millones de archivos por hora. Consulte la sección Retención de eventos para obtener más detalles.

Un ajuste demasiado agresivo de cloudFiles.maxFileAge puede causar problemas en la calidad de los datos, como la ingesta duplicada o la falta de archivos. Por lo tanto, Databricks recomienda una configuración prudente para cloudFiles.maxFileAge, como 90 días, que es similar a lo que recomiendan soluciones comparables de ingesta de datos.

Valor predeterminado: ninguno
cloudFiles.maxFilesPerTrigger

Tipo: Integer

Número máximo de archivos nuevos que se procesarán en cada desencadenador. Cuando se usa junto con cloudFiles.maxBytesPerTrigger, Azure Databricks consume hasta el límite inferior de cloudFiles.maxFilesPerTrigger o cloudFiles.maxBytesPerTrigger, lo que se alcance primero. Esta opción no tiene ningún efecto cuando se usa con Trigger.Once() (en desuso).

Valor predeterminado: 1000
cloudFiles.partitionColumns

Tipo: String

Lista separada por comas de columnas de partición de estilo Hive que le gustaría inferir de la estructura de directorios de los archivos. Las columnas de partición de estilo Hive son pares clave-valor combinados por un signo igual, como
<base-path>/a=x/b=1/c=y/file.format. En este ejemplo, las columnas de partición son a, by c. De manera predeterminada, estas columnas se agregarán automáticamente al esquema si usa la inferencia de esquema y proporciona la <base-path> desde la que cargar los datos. Si proporciona un esquema, el cargador automático espera que estas columnas se incluyan en el esquema. Si no quiere que estas columnas formen parte del esquema, puede especificar "" para ignorarlas. Además, puede usar esta opción cuando desee que las columnas se infieran de la ruta de acceso del archivo en estructuras de directorio complejas, como en el ejemplo siguiente:

<base-path>/year=2022/week=1/file1.csv
<base-path>/year=2022/month=2/day=3/file2.csv
<base-path>/year=2022/month=2/day=4/file3.csv

Si se especifica cloudFiles.partitionColumns como, year,month,day se devolverá
year=2022 para file1.csv, pero las columnas month y day serán null.
month y day se analizarán correctamente para file2.csv y file3.csv.

Valor predeterminado: ninguno
cloudFiles.schemaEvolutionMode

Tipo: String

El modo de hacer evolucionar el esquema a medida que se detectan nuevas columnas en los datos. De manera predeterminada, las columnas se infieren como cadenas al inferir conjuntos de datos JSON. Consulte Evolución del esquema para obtener más detalles.

Valor predeterminado: "addNewColumns" cuando no se proporciona un esquema.
De lo contrario, "none".
cloudFiles.schemaHints

Tipo: String

Información de esquema que se proporciona al cargador automático durante la inferencia del esquema. Consulte Sugerencias de esquema para obtener más detalles.

Valor predeterminado: ninguno
cloudFiles.schemaLocation

Tipo: String

Ubicación en la que se almacenará el esquema deducido y los cambios posteriores. Consulte Inferencia de esquemas para obtener más detalles.

Valor predeterminado: ninguno (obligatorio al inferir el esquema)
cloudFiles.useStrictGlobber

Tipo: Boolean

Si se usa un patrón global estricto que coincida con el comportamiento global predeterminado de otros orígenes de archivos en Apache Spark. Para más detalles, consulte Patrones comunes de carga de datos. Disponible tanto en Databricks Runtime 12.0, como en las versiones superiores.

Valor predeterminado: false
cloudFiles.validateOptions

Tipo: Boolean

Indica si se validan las opciones de Auto Loader y se devuelve un error para opciones desconocidas o incoherentes.

Valor predeterminado: true

Opciones de enumeración de directorios

Las siguientes opciones son relevantes para el modo de lista de directorios.

Opción
cloudFiles.useIncrementalListing (en desuso)

Tipo: String

Esta característica ha quedado en desuso. Databricks recomienda usar el modo de notificación de archivos en lugar de
cloudFiles.useIncrementalListing.

Indica si se debe usar la lista incremental en lugar de la lista completa en el modo de lista de directorios. De forma predeterminada, Auto Loader hace todo lo posible para detectar automáticamente si un directorio determinado es aplicable para el listado incremental. Puede usar explícitamente la lista incremental o usar la lista de directorios completa si las establece como true o false respectivamente.

Habilitar incorrectamente la lista incremental en un directorio ordenado no léxico impide que Auto Loader detecte nuevos archivos.

Funciona con Azure Data Lake Storage Gen2 (abfss://), S3 (s3://) y GCS (gs://).

Disponible en Databricks Runtime 9.1 LTS y versiones superiores.

Valor predeterminado: auto

Valores disponibles: auto, true, false

Opciones de notificación de archivos

Las siguientes opciones son relevantes para el modo de notificación de archivos.

Opción
cloudFiles.fetchParallelism

Tipo: Integer

Número de subprocesos que se usan al capturar mensajes del servicio de cola.

Valor predeterminado: 1
cloudFiles.pathRewrites

Tipo: cadena JSON

Solo es necesario si especifica un queueUrl que recibe notificaciones de archivos de varios cubos S3 y desea aprovechar los puntos de montaje configurados para acceder a los datos de estos contenedores. Use esta opción para volver a escribir el prefijo de la ruta de acceso bucket/key con el punto de montaje. Solo se pueden reescribir prefijos. Por ejemplo, para la configuración
{"<databricks-mounted-bucket>/path": "dbfs:/mnt/data-warehouse"}, la ruta de acceso
s3://<databricks-mounted-bucket>/path/2017/08/fileA.json se reescribe como dbfs:/mnt/data-warehouse/2017/08/fileA.json.

Valor predeterminado: ninguno
cloudFiles.resourceTag

Tipo: Map(String, String)

Una serie de pares de etiquetas clave-valor para ayudar a asociar e identificar recursos relacionados, por ejemplo:

cloudFiles.option("cloudFiles.resourceTag.myFirstKey", "myFirstValue")
.option("cloudFiles.resourceTag.mySecondKey", "mySecondValue")

Para obtener más información sobre AWS, consulte Amazon SQS cost allocation tags (Etiquetas de asignación de costes de Amazon SQS) y Configuring tags for an Amazon SNS topic (Configuración de etiquetas para un tema de Amazon SNS). (1)

Para obtener más información sobre Azure, consulte Asignar nombres a colas y metadatos y la cobertura de properties.labels en Suscripciones a eventos. El cargador automático almacena estos pares de etiquetas clave-valor en JSON como etiquetas. (1)

Para obtener más información sobre GCP, consulte Informes de uso con etiquetas. (1)

Valor predeterminado: ninguno
cloudFiles.useNotifications

Tipo: Boolean

Indica si se debe usar el modo de notificación de archivos para determinar cuándo hay nuevos archivos. Si es false, use el modo de lista de directorios. Consulte Funcionamiento del cargador automático.

Valor predeterminado: false

(1) El cargador automático agrega los siguientes pares de etiquetas clave-valor de manera predeterminada en función de la mejor opción:

  • vendor: Databricks
  • path: ubicación desde la que se cargan los datos. No disponible en GCP debido a las limitaciones de etiquetado.
  • checkpointLocation: ubicación del punto de control de la secuencia. No disponible en GCP debido a las limitaciones de etiquetado.
  • streamId: identificador único global de la secuencia.

Estos nombres de clave están reservados y no se pueden sobrescribir sus valores.

Opciones de formato de archivo

Con Auto Loader puede ingerir archivos JSON, CSV, PARQUET, AVRO, TEXT, BINARYFILE y ORC.

Opciones genéricas

Las siguientes opciones se aplican a todos los formatos de archivo.

Opción
ignoreCorruptFiles

Tipo: Boolean

Si se deben omitir los archivos dañados. Si el valor es true, los trabajos de Spark seguirán ejecutándose cuando haya archivos dañados y se devolverá el contenido leído. Observable como numSkippedCorruptFiles en la columna
operationMetrics del historial de Delta Lake. Disponible en Databricks Runtime 11.0 y versiones superiores.

Valor predeterminado: false
ignoreMissingFiles

Tipo: Boolean

Si se deben omitir los archivos que faltan. Si el valor es true, los trabajos de Spark seguirán ejecutándose cuando falten archivos y se devolverá el contenido leído. Disponible en Databricks Runtime 11.0 y versiones superiores.

Valor predeterminado: false (true para COPY INTO)
modifiedAfter

Tipo: Timestamp String, por ejemplo, 2021-01-01 00:00:00.000000 UTC+0.

Marca de tiempo opcional para ingerir archivos con una marca de tiempo de modificación posterior a la proporcionada.

Valor predeterminado: ninguno
modifiedBefore

Tipo: Timestamp String, por ejemplo, 2021-01-01 00:00:00.000000 UTC+0.

Marca de tiempo opcional para ingerir archivos con una marca de tiempo de modificación anterior a la proporcionada.

Valor predeterminado: ninguno
pathGlobFilter o fileNamePattern

Tipo: String

Un posible patrón global que proporcionar para elegir archivos. Equivalente a
PATTERN en COPY INTO. fileNamePattern se puede usar en read_files.

Valor predeterminado: ninguno
recursiveFileLookup

Tipo: Boolean

Si se omitirá la inferencia de particiones durante la inferencia de esquema. Esto no afecta a qué archivos se cargan.

Valor predeterminado: false

JSON opciones

Opción
allowBackslashEscapingAnyCharacter

Tipo: Boolean

Si se permite que las barras diagonales invertidas sean caracteres de escape para cualquier carácter posterior. Si no está habilitado, solo se pueden escapar los caracteres que se enumeran explícitamente mediante la especificación JSON.

Valor predeterminado: false
allowComments

Tipo: Boolean

Si se permite el uso de comentarios de estilo en Java, C y C++ (variedades '/', '*' y '//') dentro del contenido analizado o no.

Valor predeterminado: false
allowNonNumericNumbers

Tipo: Boolean

Si se permite el conjunto de tokens que no son cifras (NaN) como valores de número flotante válidos.

Valor predeterminado: true
allowNumericLeadingZeros

Tipo: Boolean

Si se permite que los números enteros comiencen con ceros adicionales (que se pueden omitir) (por ejemplo, 000001).

Valor predeterminado: false
allowSingleQuotes

Tipo: Boolean

Si se permite el uso de comillas simples (apóstrofo, carácter '\') para citar cadenas (nombres y valores de cadena).

Valor predeterminado: true
allowUnquotedControlChars

Tipo: Boolean

Si se permite que las cadenas JSON contengan caracteres de control sin escape (caracteres ASCII con un valor inferior a 32, incluidos los de tabulación y avance de línea) o no.

Valor predeterminado: false
allowUnquotedFieldNames

Tipo: Boolean

Si se permite el uso de nombres de campo sin comillas (permitidos en JavaScript, pero no en la especificación JSON).

Valor predeterminado: false
badRecordsPath

Tipo: String

Ruta de acceso para almacenar archivos para registrar la información sobre los registros JSON no válidos.

Valor predeterminado: ninguno
columnNameOfCorruptRecord

Tipo: String

Columna para almacenar registros con formato incorrecto que no se pueden analizar. Si para mode el análisis se establece como DROPMALFORMED, esta columna estará vacía.

Valor predeterminado: _corrupt_record
dateFormat

Tipo: String

Formato para analizar las cadenas de fecha.

Valor predeterminado: yyyy-MM-dd
dropFieldIfAllNull

Tipo: Boolean

Si se omite la columna de todos los valores NULL o la matriz y la estructura vacías durante la inferencia del esquema.

Valor predeterminado: false
encoding o charset

Tipo: String

Nombre de la codificación de los archivos JSON. Consulte java.nio.charset.Charset para la lista de opciones. No se puede usar UTF-16 y UTF-32 cuando multiline es true.

Valor predeterminado: UTF-8
inferTimestamp

Tipo: Boolean

Si se deben probar y deducir cadenas de marca de tiempo como TimestampType. Cuando se establece en
true, la inferencia de esquema puede tardar notablemente más tiempo. Debe habilitar cloudFiles.inferColumnTypes para usar con Auto Loader.

Valor predeterminado: false
lineSep

Tipo: String

Cadena entre dos registros JSON consecutivos.

Valor predeterminado: None, que abarca \r, \r\n y \n.
locale

Tipo: String

Un identificador java.util.Locale. Influye en la fecha predeterminada, la marca de tiempo y el análisis decimal dentro de JSON.

Valor predeterminado: US
mode

Tipo: String

Modo de analizador para el control de registros con formato incorrecto. Uno de estos valores: 'PERMISSIVE',
'DROPMALFORMED' o 'FAILFAST'.

Valor predeterminado: PERMISSIVE
multiLine

Tipo: Boolean

Si los registros JSON abarcan varias líneas.

Valor predeterminado: false
prefersDecimal

Tipo: Boolean

Intentos para inferir cadenas como DecimalType en lugar de tipo float o double cuando sea posible. También debe usar la inferencia de esquema, ya sea habilitando
inferSchema o bien usando cloudFiles.inferColumnTypes con el Cargador automático.

Valor predeterminado: false
primitivesAsString

Tipo: Boolean

Si se deben extrapolar los tipos primitivos, como, por ejemplo, números y booleanos, como StringType.

Valor predeterminado: false
readerCaseSensitive

Tipo: Boolean

Especifica el comportamiento de distinción entre mayúsculas y minúsculas cuando rescuedDataColumn está habilitado. Si es true, rescate las columnas de datos cuyos nombres difieren entre mayúsculas y minúsculas del esquema; de lo contrario, lea los datos de una manera sin distinción entre mayúsculas y minúsculas. Disponible en Databricks Runtime
13.3 y versiones posteriores.

Valor predeterminado: true
rescuedDataColumn

Tipo: String

Si se recopilan todos los datos que no se pueden analizar por un error de coincidencia de tipos de datos o a una falta de coincidencia de esquemas (incluido el uso de mayúsculas y minúsculas en las columnas) en una columna independiente. Esta columna se incluye de forma predeterminada cuando se usa Auto Loader. Para obtener más información, consulte ¿Qué es la columna de datos rescatados?.

Valor predeterminado: ninguno
timestampFormat

Tipo: String

Formato para analizar cadenas de marca de tiempo.

Valor predeterminado: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]
timeZone

Tipo: String

java.time.ZoneId que se usará al analizar marcas de tiempo y fechas.

Valor predeterminado: ninguno

CSV opciones

Opción
badRecordsPath

Tipo: String

Ruta de acceso para almacenar archivos para registrar la información sobre los registros CSV no válidos.

Valor predeterminado: ninguno
charToEscapeQuoteEscaping

Tipo: Char

Carácter utilizado como carácter de escape de las comillas. Por ejemplo, para el registro siguiente: [ " a\\", b ]:

* Si el carácter de escape de '\' no está definido, el registro no se analiza. El analizador leerá caracteres: [a],[\],["],[,],[ ],[b] y producirá un error porque no encuentra una comilla de cierre.
* Si el carácter de escape de '\' se define como '\', el registro se leerá con 2 valores: [a\] y [b].

Valor predeterminado: '\0'
columnNameOfCorruptRecord

> [! NOTA] >> Compatible con el cargador automático. No se admite para COPY INTO.

Tipo: String

Columna para almacenar registros con formato incorrecto que no se pueden analizar. Si para mode el análisis se establece como DROPMALFORMED, esta columna estará vacía.

Valor predeterminado: _corrupt_record
comment

Tipo: Char

Define el carácter que representa un comentario de línea cuando se encuentra al principio de una línea de texto. Use '\0' para deshabilitar la omisión de comentarios.

Valor predeterminado: '\u0000'
dateFormat

Tipo: String

Formato para analizar las cadenas de fecha.

Valor predeterminado: yyyy-MM-dd
emptyValue

Tipo: String

Representación de cadena de un valor vacío.

Valor predeterminado: ""
encoding o charset

Tipo: String

Nombre de la codificación de los archivos CSV. Consulte java.nio.charset.Charset para la lista de opciones. UTF-16 y UTF-32 no se pueden usar cuando multiline es true.

Valor predeterminado: UTF-8
enforceSchema

Tipo: Boolean

Si se aplica forzosamente el esquema especificado o inferido a los archivos CSV. Si la opción está habilitada, se omiten los encabezados de los archivos CSV. Esta opción se omite de forma predeterminada al usar Auto Loader para rescatar datos y permitir la evolución del esquema.

Valor predeterminado: true
escape

Tipo: Char

Carácter de escape que se usará al analizar los datos.

Valor predeterminado: '\'
header

Tipo: Boolean

Si los archivos CSV contienen encabezado. Auto Loader supone que los archivos tienen encabezados al inferir el esquema.

Valor predeterminado: false
ignoreLeadingWhiteSpace

Tipo: Boolean

Si se omiten los espacios en blanco iniciales en los valores analizados.

Valor predeterminado: false
ignoreTrailingWhiteSpace

Tipo: Boolean

Si se omiten los espacios en blanco finales en los valores analizados.

Valor predeterminado: false
inferSchema

Tipo: Boolean

Si se deben extrapolar los tipos de datos de los registros CSV analizados o se supone que todas las columnas son de StringType. Requiere un paso adicional sobre los datos si se establece en true. Para el Cargador automático, use cloudFiles.inferColumnTypes en su lugar.

Valor predeterminado: false
lineSep

Tipo: String

Cadena entre dos registros CSV consecutivos.

Valor predeterminado: None, que abarca \r, \r\n y \n.
locale

Tipo: String

Un identificador java.util.Locale. Influye en la fecha predeterminada, la marca de tiempo y el análisis decimal dentro de CSV.

Valor predeterminado: US
maxCharsPerColumn

Tipo: Int

Máximo de caracteres esperados de un valor que se analizará. Se puede usar para evitar errores en la memoria. El valor predeterminado es -1, que significa ilimitado.

Valor predeterminado: -1
maxColumns

Tipo: Int

Límite máximo de columnas que puede tener un registro.

Valor predeterminado: 20480
mergeSchema

Tipo: Boolean

Si se debe inferir el esquema en varios archivos y combinar el esquema de cada archivo. Habilitado de forma predeterminada para Auto Loader al inferir el esquema.

Valor predeterminado: false
mode

Tipo: String

Modo de analizador para el control de registros con formato incorrecto. Uno de estos valores: 'PERMISSIVE',
'DROPMALFORMED' y 'FAILFAST'.

Valor predeterminado: PERMISSIVE
multiLine

Tipo: Boolean

Si los registros CSV abarcan varias líneas.

Valor predeterminado: false
nanValue

Tipo: String

Representación de cadena de un valor no numérico al analizar columnas FloatType y DoubleType.

Valor predeterminado: "NaN"
negativeInf

Tipo: String

Representación de cadena de infinito negativo al analizar columnas FloatType o DoubleType.

Valor predeterminado: "-Inf"
nullValue

Tipo: String

Representación de cadena de un valor NULL.

Valor predeterminado: ""
parserCaseSensitive (en desuso)

Tipo: Boolean

Durante la lectura de archivos, si se alinean las columnas declaradas en el encabezado con el esquema, se distingue entre mayúsculas y minúsculas. Esto es true de manera predeterminada para Auto Loader. Las columnas que difieren en las mayúsculas y las minúsculas se rescatarán en rescuedDataColumn si está habilitado. Esta opción ha quedado en desuso en favor de readerCaseSensitive.

Valor predeterminado: false
positiveInf

Tipo: String

Representación de cadena del infinito positivo al analizar columnas FloatType o DoubleType.

Valor predeterminado: "Inf"
preferDate

Tipo: Boolean

Intentos para inferir cadenas como fechas en lugar de marca de tiempo cuando sea posible. También debe usar la inferencia de esquemas, ya sea habilitando inferSchema o usando
cloudFiles.inferColumnTypes con Auto Loader.

Valor predeterminado: true
quote

Tipo: Char

Carácter utilizado para escapar valores en los que el delimitador de campo forma parte del valor.

Valor predeterminado: "
readerCaseSensitive

Tipo: Boolean

Especifica el comportamiento de distinción entre mayúsculas y minúsculas cuando rescuedDataColumn está habilitado. Si es true, rescate las columnas de datos cuyos nombres difieren entre mayúsculas y minúsculas del esquema; de lo contrario, lea los datos de una manera sin distinción entre mayúsculas y minúsculas.

Valor predeterminado: true
rescuedDataColumn

Tipo: String

Si se recopilan todos los datos que no se pueden analizar por un error de coincidencia de tipos de datos o a una falta de coincidencia de esquemas (incluido el uso de mayúsculas y minúsculas en las columnas) en una columna independiente. Esta columna se incluye de forma predeterminada cuando se usa Auto Loader. Para obtener más información, consulte ¿Qué es la columna de datos rescatados?.

Valor predeterminado: ninguno
sep o delimiter

Tipo: String

Cadena separadora de columnas.

Valor predeterminado: ","
skipRows

Tipo: Int

Número de filas desde el principio del archivo CSV que se debe omitir (incluidas las filas comentadas y vacías). Si header es true, el encabezado será la primera fila sin descodificar y sin marca de comentario.

Valor predeterminado: 0
timestampFormat

Tipo: String

Formato para analizar cadenas de marca de tiempo.

Valor predeterminado: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]
timeZone

Tipo: String

java.time.ZoneId que se usará al analizar marcas de tiempo y fechas.

Valor predeterminado: ninguno
unescapedQuoteHandling

Tipo: String

Estrategia para controlar las comillas sin escape. Opciones permitidas:

* STOP_AT_CLOSING_QUOTE: si se encuentran comillas sin escape en la entrada, acumulará la comilla y procederá a analizar el valor como un valor entrecomillado, hasta que se encuentren comillas de cierre.
* BACK_TO_DELIMITER: si se encontrasen comillas sin escape en la entrada, considere el valor como un valor sin comillas. Esto hará que el analizador acumule todos los caracteres del valor analizado actual hasta que se encuentre el delimitador definido por sep. Si no se encuentra ningún delimitador en el valor, el analizador seguirá acumulando caracteres de la entrada hasta que se encuentre un delimitador o un final de línea.
* STOP_AT_DELIMITER: si se encontrasen comillas sin escape en la entrada, considere el valor como un valor sin comillas. Esto hará que el analizador acumule todos los caracteres hasta el delimitador definido mediante sep o hasta que se encuentre un final de línea en la entrada.
* SKIP_VALUE: si se encontrasen comillas sin escape en la entrada, se omitirá el contenido analizado para el valor dado (hasta que se encuentre el siguiente delimitador) y se producirá en su lugar el valor establecido en nullValue.
* RAISE_ERROR: si se encontrasen comillas sin escape en la entrada, un
se producirá TextParsingException.

Valor predeterminado: STOP_AT_DELIMITER

Opciones de XML

Opción Descripción Ámbito
rowTag Etiqueta de fila de los archivos XML que se van a tratar como una fila. En el XML <books> <book><book>...<books> de ejemplo, el valor adecuado es book. Esta es una opción necesaria. leer
samplingRatio Define una fracción de filas usadas para la inferencia de esquema. Las funciones integradas XML omiten esta opción. Predeterminado: 1.0. leer
excludeAttribute Si se excluyen los atributos en los elementos. Predeterminado: false. leer
mode Modo para tratar los registros corruptos durante el análisis sintáctico.

PERMISSIVE: Para los registros corruptos, coloca la cadena malformada en un campo configurado por columnNameOfCorruptRecord, y establece los campos con formato incorrecto en null. Para mantener los registros dañados, puede establecer un campo string de tipo cadena denominado columnNameOfCorruptRecord en un esquema definido por el usuario. Si un esquema no tiene el campo, los registros dañados se quitan durante el análisis. Al deducir un esquema, agrega implícitamente un campo columnNameOfCorruptRecord en un esquema de salida.

DROPMALFORMED: omite los registros dañados. Este modo no es compatible con las funciones integradas XML.

FAILFAST: produce una excepción cuando el analizador cumple los registros dañados.
leer
inferSchema Si truees, intenta deducir un tipo adecuado para cada columna DataFrame resultante. Si falsees, todas las columnas resultantes son de string tipo. Valor predeterminado:
true. Las funciones integradas XML omiten esta opción.
leer
columnNameOfCorruptRecord Permite cambiar el nombre del nuevo campo que contiene una cadena con formato incorrecto creada por el
modo PERMISSIVE. Predeterminado: spark.sql.columnNameOfCorruptRecord.
leer
attributePrefix El prefijo de los atributos para diferenciarlos de los elementos. Este será el prefijo para los nombres de campo. El valor predeterminado es _. Puede estar vacío para leer XML, pero no para escribir. lectura,escritura
valueTag Etiqueta usada para los datos de caracteres dentro de los elementos que también tienen atributos o elementos secundarios. El usuario puede especificar el valueTag campo en el esquema o se agregará automáticamente durante la inferencia de esquema cuando los datos de caracteres estén presentes en elementos con otros elementos o atributos. Opción predeterminada: _VALUE lectura,escritura
encoding Para leer, descodifica los archivos XML mediante el tipo de codificación especificado. Para escribir, especifica la codificación (charset) de los archivos XML guardados. Las funciones integradas XML omiten esta opción. Predeterminado: UTF-8. lectura,escritura
ignoreSurroundingSpaces Define si deben omitirse los espacios en blanco circundantes de los valores que se están leyendo. Predeterminado: true. Los datos de caracteres de solo espacio en blanco se omiten. leer
rowValidationXSDPath Ruta a un archivo XSD opcional que se utiliza para validar el XML de cada fila individualmente. Las filas que no se validan se tratan como errores de análisis como se mencionó anteriormente. De otro modo, el archivo XSD no afecta al esquema proporcionado o inferido. leer
ignoreNamespace Si true, se ignoran los prefijos de los espacios de nombres en los elementos y atributos XML. Las etiquetas <abc:author> y <def:author>, por ejemplo, se tratan como si ambos son simplemente <author>. Los espacios de nombres no pueden ignorarse en el elemento rowTag, sólo sus elementos secundarios. El análisis XML no es compatible con el espacio de nombres, incluso si false. Predeterminado: false. leer
timestampFormat Cadena de formato de marca de tiempo personalizada que sigue el formato de patrón datetime. Esto se aplica al tipo timestamp. Predeterminado: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]. lectura,escritura
timestampNTZFormat Cadena de formato personalizado para la marca de tiempo sin zona horaria que sigue el formato de patrón datetime. Esto se aplica al tipo TimestampNTZType. Valor predeterminado:
yyyy-MM-dd'T'HH:mm:ss[.SSS]
lectura,escritura
dateFormat Cadena de formato de fecha personalizada que sigue el formato de patrón datetime. Esto se aplica al tipo de fecha. Predeterminado: yyyy-MM-dd. lectura,escritura
locale Establece una configuración regional como etiqueta de idioma en formato IETF BCP 47. Por ejemplo, locale se usa al analizar fechas y marcas de tiempo. Predeterminado: en-US. leer
rootTag Etiqueta raíz de los archivos XML. Por ejemplo, en <books> <book><book>...</books>, el valor adecuado es books. Puede incluir atributos básicos especificando un valor como books foo="bar". Predeterminado: ROWS. escritura
declaration Contenido de la declaración XML que se va a escribir al principio de cada archivo XML de salida, antes de rootTag. Por ejemplo, un valor de foo hace <?xml foo?> que se escriba. Establezca una cadena vacía para suprimirla. Opción predeterminada: version="1.0"
encoding="UTF-8" standalone="yes".
escritura
arrayElementName Nombre del elemento XML que incluye cada elemento de una columna con valores de matriz al escribir. Predeterminado: item. escritura
nullValue Establece la representación en cadena de un valor nulo. Predeterminado: cadena null. Cuando se trata de null, el analizador no escribe atributos y elementos para los campos. lectura,escritura
compression Código de compresión a utilizar al guardar en un archivo. Puede ser uno de los nombres abreviados conocidos sin distinción entre mayúsculas y minúsculas (none, bzip2, gzip, lz4, snappy', and<br>deflate"). Las funciones integradas XML omiten esta opción. Predeterminado: none. escritura
validateName Si es true, produce un error si la validación del nombre del elemento XML falla. Por ejemplo, los nombres de campo SQL pueden tener espacios, pero los nombres de elementos XML no. Valor predeterminado:
true.
escritura
readerCaseSensitive Especifica el comportamiento de distinción entre mayúsculas y minúsculas cuando se habilita rescuedDataColumn. Si es true, rescate las columnas de datos cuyos nombres difieren entre mayúsculas y minúsculas del esquema; de lo contrario, lea los datos de una manera sin distinción entre mayúsculas y minúsculas. Predeterminado: true. leer
rescuedDataColumn Si se recopilan todos los datos que no se pueden analizar por un error de coincidencia de tipos de datos o a una falta de coincidencia de esquemas (incluido el uso de mayúsculas y minúsculas en las columnas) en una columna independiente. Esta columna se incluye de forma predeterminada cuando se usa Auto Loader. Para obtener más información, consulte ¿Qué es la columna de datos rescatados?. Predeterminado: Ninguno. leer

Opciones de PARQUET

Opción
datetimeRebaseMode

Tipo: String

Controla el cambio de base de los valores de fecha y marca de tiempo entre el calendario juliano y gregoriano proléptico. Valores permitidos: EXCEPTION, LEGACY y
CORRECTED.

Valor predeterminado: LEGACY
int96RebaseMode

Tipo: String

Controla el cambio de base de los valores de marca de tiempo INT96 entre el calendario juliano y el gregoriano proléptico. Valores permitidos: EXCEPTION, LEGACY y
CORRECTED.

Valor predeterminado: LEGACY
mergeSchema

Tipo: Boolean

Si se debe inferir el esquema en varios archivos y combinar el esquema de cada archivo.

Valor predeterminado: false
readerCaseSensitive

Tipo: Boolean

Especifica el comportamiento de distinción entre mayúsculas y minúsculas cuando rescuedDataColumn está habilitado. Si es true, rescate las columnas de datos cuyos nombres difieren entre mayúsculas y minúsculas del esquema; de lo contrario, lea los datos de una manera sin distinción entre mayúsculas y minúsculas.

Valor predeterminado: true
rescuedDataColumn

Tipo: String

Si se recopilan todos los datos que no se pueden analizar por un error de coincidencia de tipos de datos o a una falta de coincidencia de esquemas (incluido el uso de mayúsculas y minúsculas en las columnas) en una columna independiente. Esta columna se incluye de forma predeterminada cuando se usa Auto Loader. Para obtener más información, consulte ¿Qué es la columna de datos rescatados?.

Valor predeterminado: ninguno

AVRO opciones

Opción
avroSchema

Tipo: String

Esquema opcional proporcionado por un usuario en formato Avro. Al leer Avro, esta opción se puede establecer en un esquema evolucionado, que es compatible con el esquema de Avro real pero distinto de este. El esquema de deserialización será coherente con el esquema evolucionado. Por ejemplo, si establece un esquema evolucionado que contiene una columna adicional con un valor predeterminado, el resultado de lectura contendrá también la nueva columna.

Valor predeterminado: ninguno
datetimeRebaseMode

Tipo: String

Controla el cambio de base de los valores de fecha y marca de tiempo entre el calendario juliano y gregoriano proléptico. Valores permitidos: EXCEPTION, LEGACY y
CORRECTED.

Valor predeterminado: LEGACY
mergeSchema

Tipo: Boolean

Si se debe inferir el esquema en varios archivos y combinar el esquema de cada archivo.
mergeSchema para Avro no flexibiliza los tipos de datos.

Valor predeterminado: false
readerCaseSensitive

Tipo: Boolean

Especifica el comportamiento de distinción entre mayúsculas y minúsculas cuando rescuedDataColumn está habilitado. Si es true, rescate las columnas de datos cuyos nombres difieren entre mayúsculas y minúsculas del esquema; de lo contrario, lea los datos de una manera sin distinción entre mayúsculas y minúsculas.

Valor predeterminado: true
rescuedDataColumn

Tipo: String

Si se recopilan todos los datos que no se pueden analizar por un error de coincidencia de tipos de datos o a una falta de coincidencia de esquemas (incluido el uso de mayúsculas y minúsculas en las columnas) en una columna independiente. Esta columna se incluye de forma predeterminada cuando se usa Auto Loader. Para obtener más información, consulte ¿Qué es la columna de datos rescatados?.

Valor predeterminado: ninguno

BINARYFILE opciones

Los archivos binarios no tienen ninguna opción de configuración adicional.

TEXT opciones

Opción
encoding

Tipo: String

Nombre de la codificación de los archivos de texto. Consulte java.nio.charset.Charset para la lista de opciones.

Valor predeterminado: UTF-8
lineSep

Tipo: String

Cadena entre dos registros de TEXT consecutivos.

Valor predeterminado: None, que abarca \r, \r\n y \n
wholeText

Tipo: Boolean

Si se debe leer un archivo como único registro.

Valor predeterminado: false

ORC opciones

Opción
mergeSchema

Tipo: Boolean

Si se debe inferir el esquema en varios archivos y combinar el esquema de cada archivo.

Valor predeterminado: false

Opciones específicas de la nube

Auto Loader ofrece una serie de opciones para configurar la infraestructura en la nube.

Opciones específicas de AWS

Proporcione la siguiente opción solo si elige cloudFiles.useNotifications = true y desea que Auto Loader configure automáticamente los servicios de notificación:

Opción
cloudFiles.region

Tipo: String

La región en la que reside el cubo S3 de origen y donde se crean los servicios AWS SDK y SQS.

Valor predeterminado: en Databricks Runtime 9.0 y versiones superiores, la región de la instancia de EC2. En Databricks Runtime 8.4 y en versiones anteriores debe especificar la región.

Proporcione la siguiente opción solo si elige cloudFiles.useNotifications = true y desea que el cargador automático use una cola que ya haya configurado:

Opción
cloudFiles.queueUrl

Tipo: String

Dirección URL de la cola de SQS. Si se proporciona, el cargador automático consume directamente los eventos de esta cola en lugar de configurar sus propios servicios AWS SNS y SQS.

Valor predeterminado: ninguno

Puede usar las siguientes opciones para proporcionar credenciales para acceder a AWS SNS y SQS cuando los roles IAM no están disponibles o al ingerir datos de nubes diferentes.

Opción
cloudFiles.awsAccessKey

Tipo: String

El Id. de clave de acceso de AWS para el usuario. Debe proporcionarse con
cloudFiles.awsSecretKey.

Valor predeterminado: ninguno
cloudFiles.awsSecretKey

Tipo: String

Clave de acceso secreta de AWS para el usuario. Debe proporcionarse con
cloudFiles.awsAccessKey.

Valor predeterminado: ninguno
cloudFiles.roleArn

Tipo: String

EL ARN de un rol IAM que se debe asumir. El rol se puede asumir desde el perfil de instancia del clúster o proporcionando credenciales con
cloudFiles.awsAccessKey y cloudFiles.awsSecretKey.

Valor predeterminado: ninguno
cloudFiles.roleExternalId

Tipo: String

Identificador que se debe proporcionar a la vez que se asume un rol mediante cloudFiles.roleArn.

Valor predeterminado: ninguno
cloudFiles.roleSessionName

Tipo: String

Un nombre de sesión opcional que se usará al asumir un rol mediante
cloudFiles.roleArn.

Valor predeterminado: ninguno
cloudFiles.stsEndpoint

Tipo: String

Un punto de conexión opcional para proporcionar acceso a AWS STS al asumir un rol mediante cloudFiles.roleArn.

Valor predeterminado: ninguno

Opciones específicas de Azure

Debe proporcionar valores para todas las opciones siguientes si especifica cloudFiles.useNotifications = true y desea que el cargador automático configure automáticamente los servicios de notificación:

Opción
cloudFiles.clientId

Tipo: String

Id. de cliente o id. de aplicación de la entidad de servicio.

Valor predeterminado: ninguno
cloudFiles.clientSecret

Tipo: String

El secreto de cliente de la entidad de servicio.

Valor predeterminado: ninguno
cloudFiles.connectionString

Tipo: String

Cadena de conexión de la cuenta de almacenamiento, en función de la clave de acceso de la cuenta o de la firma de acceso compartido (SAS).

Valor predeterminado: ninguno
cloudFiles.resourceGroup

Tipo: String

Grupo de recursos de Azure en el que se ha creado la cuenta de almacenamiento.

Valor predeterminado: ninguno
cloudFiles.subscriptionId

Tipo: String

Id. de suscripción de Azure en la que se ha creado el grupo de recursos.

Valor predeterminado: ninguno
cloudFiles.tenantId

Tipo: String

Id. de inquilino de Azure en el que se ha creado la entidad de servicio.

Valor predeterminado: ninguno

Importante

La configuración automatizada de las notificaciones está disponible en las regiones de Azure China y Government con Databricks Runtime 9.1 y versiones superiores. Debe proporcionar un queueName para usar el cargador automático con notificaciones de archivos en estas regiones para versiones anteriores de DBR.

Proporcione la siguiente opción solo si elige cloudFiles.useNotifications = true y desea que el cargador automático use una cola que ya haya configurado:

Opción
cloudFiles.queueName

Tipo: String

Nombre de la cola de Azure. Si se proporciona, el origen de archivos en la nube consume directamente los eventos de esta cola en lugar de configurar sus propios servicios de Azure Event Grid y Queue Storage. En ese caso, cloudFiles.connectionString solo necesita permisos de lectura en la cola.

Valor predeterminado: ninguno

Opciones específicas de Google

El cargador automático puede configurar automáticamente los servicios de notificación aprovechando las cuentas de servicio de Google. Puede configurar el clúster para asumir una cuenta de servicio siguiendo la configuración del servicio de Google. Los permisos que la cuenta de servicio necesita se especifican en ¿Qué es el modo de notificación del archivo del cargador automático?. De lo contrario, puede proporcionar las siguientes opciones de autenticación si desea que el cargador automático configure los servicios de notificación automáticamente.

Opción
cloudFiles.client

Tipo: String

El Id. de cliente de la cuenta de servicio de Google.

Valor predeterminado: ninguno
cloudFiles.clientEmail

Tipo: String

El correo electrónico de la cuenta de servicio de Google.

Valor predeterminado: ninguno
cloudFiles.privateKey

Tipo: String

Clave privada que se genera para la cuenta de servicio de Google.

Valor predeterminado: ninguno
cloudFiles.privateKeyId

Tipo: String

Identificador de la clave privada que se genera para la cuenta de servicio de Google.

Valor predeterminado: ninguno
cloudFiles.projectId

Tipo: String

Id. del proyecto en el que se encuentra el cubo de GCS. La suscripción a Google Cloud Pub/Sub también se creará dentro de este proyecto.

Valor predeterminado: ninguno

Proporcione la siguiente opción solo si elige cloudFiles.useNotifications = true y desea que el cargador automático use una cola que ya haya configurado:

Opción
cloudFiles.subscription

Tipo: String

Nombre de la suscripción de Google Cloud Pub/Sub. Si se proporciona, el origen de archivos en la nube consume los eventos de esta cola en lugar de configurar sus propios servicios GCS Notification y Google Cloud Pub/Sub.

Valor predeterminado: ninguno