Utilisation de fichiers sur Azure Databricks
Azure Databricks a plusieurs utilitaires et API pour interagir avec les fichiers dans les emplacements suivants :
- Volumes Unity Catalog
- Fichiers d’espace de travail
- Stockage d’objets cloud
- Montages DBFS et racine DBFS
- Stockage éphémère attaché au nœud de pilote du cluster
Cet article a des exemples d’interaction avec des fichiers dans ces emplacements pour les outils suivants :
- Apache Spark
- Spark SQL et Databricks SQL
- Utilitaires du système de fichiers Databricks (
dbutils.fs
ou%fs
) - Interface CLI Databricks
- API REST Databricks
- Commandes de l’interpréteur de commandes Bash (
%sh
) - Installations de bibliothèque dans l’étendue du notebook en utilisant
%pip
- pandas
- Utilitaires de gestion et de traitement de fichiers Python OSS
Important
Les opérations de fichiers nécessitant un accès aux données FUSE ne peuvent pas accéder directement au stockage d’objets dans le nuage à l’aide d’URI. Databricks recommande d’utiliser des volumes Unity Catalog pour configurer l’accès à ces emplacements pour FUSE.
Scala prend en charge FUSE pour les volumes Unity Catalog et les fichiers d’espace de travail sur le calcul configurés avec Unity Catalog et le mode d’accès partagé. Sur le calcul configuré avec le mode d’accès utilisateur unique et Databricks Runtime 14.3 et versions ultérieures, Scala prend en charge FUSE pour les volumes de catalogue Unity et les fichiers d’espace de travail, à l’exception des sous-processus provenant de Scala, tels que la commande Scala "cat /Volumes/path/to/file".!!
.
Dois-je fournir un schéma d’URI pour accéder aux données ?
Les chemins d’accès aux données dans Azure Databricks suivent l’une des normes suivantes :
Les chemins d’accès de style URI incluent un schéma d’URI. Pour les solutions d’accès aux données natives Databricks, les schémas d’URI sont facultatifs pour la plupart des cas d’usage. Lorsque vous accédez directement aux données dans le stockage d’objets cloud, vous devez fournir le schéma d’URI approprié pour le type de stockage.
Les chemins d’accès de style POSIX fournissent un accès aux données par rapport à la racine du pilote (
/
). Les chemins d’accès de style POSIX ne nécessitent jamais de schéma. Vous pouvez utiliser des volumes Unity Catalog ou des montages DBFS pour fournir un accès de style POSIX aux données dans le stockage d’objets cloud. De nombreuses infrastructures ML et d’autres modules Python OSS nécessitent FUSE et peuvent utiliser uniquement des chemins d’accès de style POSIX.
Utiliser des fichiers dans des volumes Unity Catalog
Databricks recommande d’utiliser des volumes Unity Catalog pour configurer l’accès aux fichiers de données non tabulaires stockés dans le stockage d’objets cloud. Consultez Présentation des volumes Unity Catalog.
Outil | Exemple |
---|---|
Apache Spark | spark.read.format("json").load("/Volumes/my_catalog/my_schema/my_volume/data.json").show() |
Spark SQL et Databricks SQL | SELECT * FROM csv.`/Volumes/my_catalog/my_schema/my_volume/data.csv`; LIST '/Volumes/my_catalog/my_schema/my_volume/'; |
Utilitaires du système de fichiers Databricks | dbutils.fs.ls("/Volumes/my_catalog/my_schema/my_volume/") %fs ls /Volumes/my_catalog/my_schema/my_volume/ |
Interface CLI Databricks | databricks fs cp /path/to/local/file dbfs:/Volumes/my_catalog/my_schema/my_volume/ |
API REST Databricks | POST https://<databricks-instance>/api/2.1/jobs/create {"name": "A multitask job", "tasks": [{..."libraries": [{"jar": "/Volumes/dev/environment/libraries/logging/Logging.jar"}],},...]} |
Commandes de l’interpréteur de commandes Bash | %sh curl http://<address>/text.zip -o /Volumes/my_catalog/my_schema/my_volume/tmp/text.zip |
Installations de bibliothèque | %pip install /Volumes/my_catalog/my_schema/my_volume/my_library.whl |
Pandas | df = pd.read_csv('/Volumes/my_catalog/my_schema/my_volume/data.csv') |
Python OSS | os.listdir('/Volumes/my_catalog/my_schema/my_volume/path/to/directory') |
Remarque
Le schéma dbfs:/
est requis lors de l’utilisation de l’interface CLI Databricks.
Limitations des volumes
Les volumes présentent les limitations suivantes :
Aucune écriture non séquentielle (aléatoire) ou d’ajout direct, telle que l’écriture de fichiers Zip et Excel n’est prise en charge. Pour les charges de travail d’ajout direct ou d’écriture aléatoire, effectuez d’abord les opérations sur un disque local, puis copiez le résultat sur des volumes Unity Catalog. Par exemple :
# python import xlsxwriter from shutil import copyfile workbook = xlsxwriter.Workbook('/local_disk0/tmp/excel.xlsx') worksheet = workbook.add_worksheet() worksheet.write(0, 0, "Key") worksheet.write(0, 1, "Value") workbook.close() copyfile('/local_disk0/tmp/excel.xlsx', '/Volumes/my_catalog/my_schema/my_volume/excel.xlsx')
Les fichiers partiellement alloués ne sont pas pris en charge. Pour copier des fichiers partiellement alloués, utilisez
cp --sparse=never
:$ cp sparse.file /Volumes/my_catalog/my_schema/my_volume/sparse.file error writing '/dbfs/sparse.file': Operation not supported $ cp --sparse=never sparse.file /Volumes/my_catalog/my_schema/my_volume/sparse.file
Utilisation des fichiers d’espace de travail
Les fichiers d’espace de travail Databricks sont des fichiers d’un espace de travail qui ne sont pas des notebooks. Vous pouvez utiliser des fichiers d’espace de travail pour stocker et accéder aux données et à d’autres fichiers enregistrés en même temps que les notebooks et d’autres ressources de l’espace de travail. Étant donné que les fichiers d’espace de travail ont des restrictions de taille, Databricks recommande d’y stocker uniquement de petits fichiers de données principalement pour le développement et le test.
Outil | Exemple |
---|---|
Apache Spark | spark.read.format("json").load("file:/Workspace/Users/<user-folder>/data.json").show() |
Spark SQL et Databricks SQL | SELECT * FROM json.`file:/Workspace/Users/<user-folder>/file.json`; |
Utilitaires du système de fichiers Databricks | dbutils.fs.ls("file:/Workspace/Users/<user-folder>/") %fs ls file:/Workspace/Users/<user-folder>/ |
Interface CLI Databricks | databricks workspace list |
API REST Databricks | POST https://<databricks-instance>/api/2.0/workspace/delete {"path": "/Workspace/Shared/code.py", "recursive": "false"} |
Commandes de l’interpréteur de commandes Bash | %sh curl http://<address>/text.zip -o /Workspace/Users/<user-folder>/text.zip |
Installations de bibliothèque | %pip install /Workspace/Users/<user-folder>/my_library.whl |
Pandas | df = pd.read_csv('/Workspace/Users/<user-folder>/data.csv') |
Python OSS | os.listdir('/Workspace/Users/<user-folder>/path/to/directory') |
Remarque
Le schéma file:/
est requis lors de l’utilisation des utilitaires Databricks, d’Apache Spark ou de SQL.
Limites de fichiers d’espaces de travail
Les fichiers d’espaces de travail présentent les limites suivantes :
La taille du fichier de l’espace de travail est limitée à 500 Mo à partir de l’interface utilisateur. La taille maximale des fichiers autorisée lors de l’écriture à partir d’un cluster est de 256 Mo.
Si votre workflow utilise du code source situé dans un dépôt Git distant, vous ne pouvez pas écrire dans le répertoire actif ou écrire à l’aide d’un chemin relatif. Options d’écriture dans d’autres options d’emplacement.
Vous ne pouvez pas utiliser de commandes
git
lorsque vous enregistrez dans des fichiers de l’espace de travail. La création de répertoires.git
n'est pas autorisée dans les fichiers de l'espace de travail.Il existe une prise en charge limitée des opérations de fichiers d’espaces de travail à partir du calcul serverless.
Les exécuteurs ne peuvent pas écrire dans les fichiers de l'espace de travail.
Les liens symboliques ne sont pas pris en charge.
Les fichiers d’espaces de travail ne sont pas accessibles depuis les fonctions définies par l’utilisateur (UDF) sur des clusters avec mode d’accès partagé sur Databricks Runtime 14.2 et versions inférieures.
Où vont les fichiers d’espaces de travail supprimés ?
La suppression d'un fichier d'espace de travail l'envoie à la corbeille. Vous pouvez récupérer ou supprimer définitivement des fichiers de la corbeille à l’aide de l’interface utilisateur.
Voir Supprimer un objet.
Utilisation de fichiers dans le stockage d’objets cloud
Databricks recommande d’utiliser des volumes Unity Catalog pour configurer l’accès sécurisé aux fichiers dans le stockage d’objets cloud. Vous devez configurer les autorisations si vous choisissez d’accéder directement aux données du stockage d’objets dans le nuage à l’aide d’URI. Voir Gérer les emplacements externes, les tables externes et les volumes externes.
Les exemples suivants utilisent des URI pour accéder aux données dans le stockage d’objets cloud :
Outil | Exemple |
---|---|
Apache Spark | spark.read.format("json").load("abfss://container-name@storage-account-name.dfs.core.windows.net/path/file.json").show() |
Spark SQL et Databricks SQL | SELECT * FROM csv.`abfss://container-name@storage-account-name.dfs.core.windows.net/path/file.json`; LIST 'abfss://container-name@storage-account-name.dfs.core.windows.net/path'; |
Utilitaires du système de fichiers Databricks | dbutils.fs.ls("abfss://container-name@storage-account-name.dfs.core.windows.net/path/") %fs ls abfss://container-name@storage-account-name.dfs.core.windows.net/path/ |
Interface CLI Databricks | Non pris en charge |
API REST Databricks | Non pris en charge |
Commandes de l’interpréteur de commandes Bash | Non pris en charge |
Installations de bibliothèque | %pip install abfss://container-name@storage-account-name.dfs.core.windows.net/path/to/library.whl |
Pandas | Non pris en charge |
Python OSS | Non pris en charge |
Remarque
Le stockage d’objets cloud ne prend pas en charge le passage des informations d’identification.
Utilisation de fichiers dans des montages DBFS et une racine DBFS
Les montages DBFS ne sont pas sécurisables à l’aide d’Unity Catalog et ne sont plus recommandés par Databricks. Les données stockées dans la racine DBFS sont accessibles par tous les utilisateurs de l’espace de travail. Databricks déconseille le stockage de code ou de données sensibles ou de production dans la racine DBFS. Consultez Qu’est-ce que DBFS ?.
Outil | Exemple |
---|---|
Apache Spark | spark.read.format("json").load("/mnt/path/to/data.json").show() |
Spark SQL et Databricks SQL | SELECT * FROM json.`/mnt/path/to/data.json`; |
Utilitaires du système de fichiers Databricks | dbutils.fs.ls("/mnt/path") %fs ls /mnt/path |
Interface CLI Databricks | databricks fs cp dbfs:/mnt/path/to/remote/file /path/to/local/file |
API REST Databricks | POST https://<host>/api/2.0/dbfs/delete --data '{ "path": "/tmp/HelloWorld.txt" }' |
Commandes de l’interpréteur de commandes Bash | %sh curl http://<address>/text.zip > /dbfs/mnt/tmp/text.zip |
Installations de bibliothèque | %pip install /dbfs/mnt/path/to/my_library.whl |
Pandas | df = pd.read_csv('/dbfs/mnt/path/to/data.csv') |
Python OSS | os.listdir('/dbfs/mnt/path/to/directory') |
Remarque
Le schéma dbfs:/
est requis lors de l’utilisation de l’interface CLI Databricks.
Utilisation de fichiers dans le stockage éphémère attaché au nœud de pilote
Le stockage éphémère attaché au nœud du pilote est un stockage de bloc avec un accès au chemin d’accès intégré basé sur POSIX. Toutes les données stockées dans cet emplacement disparaissent lorsqu’un cluster se termine ou redémarre.
Outil | Exemple |
---|---|
Apache Spark | Non pris en charge |
Spark SQL et Databricks SQL | Non pris en charge |
Utilitaires du système de fichiers Databricks | dbutils.fs.ls("file:/path") %fs ls file:/path |
Interface CLI Databricks | Non pris en charge |
API REST Databricks | Non pris en charge |
Commandes de l’interpréteur de commandes Bash | %sh curl http://<address>/text.zip > /tmp/text.zip |
Installations de bibliothèque | Non pris en charge |
Pandas | df = pd.read_csv('/path/to/data.csv') |
Python OSS | os.listdir('/path/to/directory') |
Remarque
Le schéma file:/
est requis lors de l’utilisation des utilitaires Databricks.
Déplacer des données d’un stockage éphémère vers des volumes
Vous pouvez accéder aux données téléchargées ou enregistrées dans un stockage éphémère à l’aide d’Apache Spark. Étant donné que le stockage éphémère est attaché au pilote et que Spark est un moteur de traitement distribué, toutes les opérations ne peuvent pas accéder directement aux données ici. Supposons que vous devez déplacer des données du système de fichiers du pilote vers des volumes de catalogue Unity. Dans ce cas, vous pouvez copier des fichiers à l’aide de commandes magiques ou des utilitaires Databricks, comme dans les exemples suivants :
dbutils.fs.cp ("file:/<path>", "/Volumes/<catalog>/<schema>/<volume>/<path>")
%sh cp /<path> /Volumes/<catalog>/<schema>/<volume>/<path>
%fs cp file:/<path> /Volumes/<catalog>/<schema>/<volume>/<path>
Ressources supplémentaires
Pour plus d’informations sur le chargement de fichiers locaux ou le téléchargement de fichiers Internet dans Azure Databricks, consultez Charger des fichiers dans Azure Databricks.