Partekatu honen bidez:

Consulta de archivos del almacenamiento con el grupo de SQL sin servidor en Azure Synapse Analytics

  • Artikulua

El grupo de SQL sin servidor permite consultar los datos del lago de datos. Ofrece un área expuesta de consultas de T-SQL que admite consultas de datos semiestructurados y no estructurados. Para realizar consultas, se admiten los siguientes aspectos de T-SQL:

  • Área expuesta SELECT completa, que incluye la mayoría de los operadores y funciones de SQL.
  • CREATE EXTERNAL TABLE AS SELECT (CETAS) crea una tabla externa y, después, exporta en paralelo los resultados de una instrucción SELECT de Transact-SQL a Azure Storage.

Para más información sobre lo que se admite o no actualmente, lea el artículo Introducción a al grupo de SQL sin servidor o los artículos siguientes:

Información general

Para tener una experiencia fluida en las consultas en contexto de los datos que se encuentran en los archivos de Azure Storage, el grupo de SQL sin servidor usa la función OPENROWSET con funcionalidades adicionales:

Consulta de archivos de PARQUET

Para consultar los datos de origen de Parquet, use FORMAT = 'PARQUET':

SELECT * FROM
OPENROWSET( BULK N'https://myaccount.dfs.core.windows.net/mycontainer/mysubfolder/data.parquet', FORMAT = 'PARQUET') 
WITH (C1 int, C2 varchar(20), C3 varchar(max)) as rows

Para ver ejemplos de su uso, lea el artículo en el que se explica cómo consultar archivos con formato Parquet.

Consulta de archivo CSV

Para consultar los datos de origen con formato CSV, use FORMAT = 'CSV'. Cuando consulte archivos CSV puede especificar el esquema del archivo CSV como parte de la función OPENROWSET:

SELECT * FROM
OPENROWSET( BULK N'https://myaccount.dfs.core.windows.net/mycontainer/mysubfolder/data.csv', FORMAT = 'CSV', PARSER_VERSION='2.0') 
WITH (C1 int, C2 varchar(20), C3 varchar(max)) as rows

Hay algunas opciones adicionales que se pueden usar para ajustar las reglas de análisis al formato CSV personalizado:

  • ESCAPE_CHAR = 'char' especifica el carácter del archivo que se usa como carácter de escape de sí mismo y de todos los valores de delimitador del archivo. Si el carácter de escape va seguido de un valor distinto de sí mismo o de cualquiera de los valores de delimitador, se quita al leer el valor. El parámetro ESCAPE_CHAR se aplicará, independientemente de que FIELDQUOTE esté habilitado o no. No se utilizará como carácter de escape el carácter de comillas. El carácter de comillas se debe escapar con otro carácter de comillas. El carácter de comillas solo puede aparecer dentro del valor de la columna si el valor se encapsula entre caracteres de comillas.
  • FIELDTERMINATOR ="field_terminator" especifica el terminador de campo que se va a usar. El terminador de campo predeterminado es una coma (" , ")
  • ROWTERMINATOR ="row_terminator" especifica el terminador de fila que se va a usar. El terminador de fila predeterminado es un carácter de nueva línea: \r\n.

Consulta de archivos con el formato DELTA LAKE

Para consultar los datos de origen de Delta Lake, use FORMAT = 'DELTA' y haga referencia a la carpeta raíz que contiene los archivos de Delta Lake.

SELECT * FROM
OPENROWSET( BULK N'https://myaccount.dfs.core.windows.net/mycontainer/mysubfolder', FORMAT = 'DELTA') 
WITH (C1 int, C2 varchar(20), C3 varchar(max)) as rows

La carpeta raíz debe contener una subcarpeta denominada _delta_log. Revise el artículo Consulta de archivos en formato Delta Lake para ver ejemplos de uso.

Esquema de archivos

El lenguaje SQL de Synapse SQL permite definir el esquema del archivo como parte de la función OPENROWSET y leer todas las columnas o un subconjunto de ellas, o intenta determinar automáticamente los tipos de columna del archivo mediante la inferencia de esquemas.

Lectura de un subconjunto de columnas elegido

Para especificar las columnas que desea leer, puede especificar una cláusula WITH opcional en la instrucción OPENROWSET.

  • Si hay archivos de datos con la extensión .csv, para leer todas las columnas, especifique los nombres de columna y sus tipos de datos. Si desea un subconjunto de columnas, use números ordinales para seleccionar las columnas en los archivos de datos de origen por ordinal. Las columnas se enlazarán por la designación ordinal.
  • Si hay archivos de datos con formato Parquet, especifique nombres de columna que coincidan con los de los archivos de datos de origen. Las columnas se enlazarán por nombre.
SELECT * FROM
OPENROWSET( BULK N'https://myaccount.dfs.core.windows.net/mycontainer/mysubfolder/data.parquet', FORMAT = 'PARQUET') 
WITH (
      C1 int, 
      C2 varchar(20),
      C3 varchar(max)
) as rows

Para cada columna debe especificar el nombre y el tipo de columna en la cláusula WITH. Para ver algunos ejemplos, consulte el artículo en el que se proporciona información acerca de cómo leer archivos .csv sin especificar todas las columnas.

Inferencia de esquemas

Si omite la cláusula WITH de la instrucción OPENROWSET, puede indicar al servicio que detecte automáticamente (infiera) el esquema a partir de los archivos subyacentes.

SELECT * FROM
OPENROWSET( BULK N'https://myaccount.dfs.core.windows.net/mycontainer/mysubfolder/data.parquet', FORMAT = 'PARQUET')

Asegúrese de que se usan tipos de datos inferidos adecuados para obtener un rendimiento óptimo.

Consulta de varios archivos o carpetas

Para ejecutar una consulta de T-SQL en un conjunto de archivos de una carpeta o un conjunto de carpetas, y tratarlos como una sola entidad o conjunto de filas, especifique una ruta de acceso a una carpeta o un patrón (mediante caracteres comodín) en un conjunto de archivos o carpetas.

Se aplican las reglas siguientes:

  • Los patrones pueden aparecer en parte de una ruta de acceso de un directorio o en un nombre de archivo.
  • Pueden aparecer varios patrones en el mismo nombre de archivo o paso de directorio.
  • Si hay varios caracteres comodín, los archivos de todas las rutas de acceso coincidentes se incluirán en el conjunto de archivos resultante.
SELECT * FROM
OPENROWSET( BULK N'https://myaccount.dfs.core.windows.net/myroot/*/mysubfolder/*.parquet', FORMAT = 'PARQUET' ) as rows

Para ver ejemplos de su uso, consulte el artículo acerca de la consulta de carpetas y de varios archivos.

Funciones de metadatos del archivo

Función Filename

Esta función devuelve el nombre de archivo del que se origina la fila.

Para consultar archivos concretos, lea la sección Filename del artículo en el que se indica cómo consultar archivos específicos.

El tipo de datos devuelto es nvarchar (1024). Para obtener un rendimiento óptimo, convierta siempre el resultado de la función filename al tipo de datos adecuado. Si usa un tipo de datos de caracteres, asegúrese de que se usa la longitud apropiada.

Función Filepath

Esta función devuelve una ruta de acceso completa o una parte de una ruta de acceso:

  • Cuando se llama sin parámetro, devuelve la ruta de acceso completa al archivo del que se origina una fila.
  • Cuando se llama sin parámetro, devuelve la parte de la ruta de acceso que coincide con el carácter comodín en la posición especificada del parámetro. Por ejemplo, el valor 1 del parámetro devolverá la parte de la ruta de acceso que coincide con el primer carácter comodín.

Para más información, lea la sección Filepath del artículo en el que se indica cómo consultar archivos específicos.

El tipo de datos devuelto es nvarchar (1024). Para obtener un rendimiento óptimo, convierta siempre el resultado de la función filepath al tipo de datos adecuado. Si usa un tipo de datos de caracteres, asegúrese de que se usa la longitud apropiada.

Uso con tipos complejos y estructuras de datos anidadas o repetidas

Para tener una experiencia fluida con los datos almacenados en tipos de datos anidados o repetidos como, por ejemplo, en los archivos con formato Parquet, el grupo de SQL sin servidor ha agregado las siguientes extensiones.

Proyección de datos anidados o repetidos de proyecto

Para proyectar datos, ejecute una instrucción SELECT sobre el archivo con formato Parquet que contiene las columnas de los tipos de datos anidados. En la salida, los valores anidados se serializarán en JSON y se devolverán en forma de tipo de datos SQL varchar (8000).

    SELECT * FROM
    OPENROWSET
    (   BULK 'unstructured_data_path' ,
        FORMAT = 'PARQUET' )
    [AS alias]

Para obtener información más detallada, consulte la sección relativa a la proyección de datos anidados o repetidos de proyecto del artículo en el que se explica cómo consultar tipos anidados con formato Parquet.

Acceso a elementos de columnas anidadas

Para acceder a elementos anidados de una columna anidada, como Struct, utilice la "notación de puntos" para concatenar los nombres de campo en la ruta de acceso. Especifique la ruta de acceso como column_name en la cláusula WITH de la función OPENROWSET.

Este es un ejemplo de un fragmento de la sintaxis:

    OPENROWSET
    (   BULK 'unstructured_data_path' ,
        FORMAT = 'PARQUET' )
    WITH ({'column_name' 'column_type',})
    [AS alias]
    'column_name' ::= '[field_name.] field_name'

De manera predeterminada, la función OPENROWSET hace coincidir el nombre de campo y la ruta de acceso de origen con los nombres de columna que se proporcionan en la cláusula WITH. Para acceder a elementos que se encuentran en distintos niveles de anidamiento del mismo archivo con formato Parquet, se debe usar la cláusula WITH.

Valores devueltos

  • La función devuelve un valor escalar, como int, decimal y varchar, desde el elemento especificado y en la ruta de acceso especificada, para todos los tipos de archivo con formato Parquet que no están en el grupo de tipos anidados.
  • Si la ruta de acceso apunta a un elemento de un tipo anidado, la función devuelve un fragmento de JSON que comienza en el elemento superior de la ruta de acceso especificada. Este fragmento es del tipo varchar (8000).
  • Si la propiedad no se puede encontrar en la línea de column_name especificada, la función devuelve un error.
  • Si la propiedad no se encuentra en la línea de column_path especificada, que depende del modo de la ruta, la función devuelve un error cuando está en modo strict o NULL cuando está en modo lax.

Para obtener ejemplos de consultas, revise la sección de acceso a elementos de columnas anidadas en el que se explica cómo consultar tipos anidados con formato Parquet.

Acceso a elementos de columnas repetidas

Para acceder a los elementos de una columna repetida, como un elemento de una matriz o una asignación, use la función JSON_VALUE para todos los elementos escalares que necesite proyectar y proporcionar:

  • Columna anidada o repetida, como primer parámetro
  • Una ruta de acceso JSON que especifica el elemento o la propiedad a la que se va a acceder, como un segundo parámetro

Para acceder a elementos no escalares de una columna repetida, use la función JSON_QUERY para todos los elementos no escalares que necesite proyectar y proporcionar:

  • Columna anidada o repetida, como primer parámetro
  • Una ruta de acceso JSON que especifica el elemento o la propiedad a la que se va a acceder, como segundo parámetro

Vea el fragmento de sintaxis siguiente:

    SELECT
       { JSON_VALUE (column_name, path_to_sub_element), }
       { JSON_QUERY (column_name [ , path_to_sub_element ]), )
    FROM
    OPENROWSET
    (   BULK 'unstructured_data_path' ,
        FORMAT = 'PARQUET' )
    [AS alias]

Puede encontrar ejemplos de consultas para acceder a los elementos de las columnas repetidas en el artículo en el que se explica cómo consultar tipos anidados con formato Parquet.

Pasos siguientes

Para más información sobre cómo consultar diferentes tipos de archivo y crear y usar vistas, consulte los siguientes artículos: