Partager via

Intégrer Azure Functions à Azure Data Explorer à l’aide de liaisons d’entrée et de sortie (préversion)

  • Article

Important

Ce connecteur peut être utilisé dans Real-Time Intelligence dans Microsoft Fabric. Utilisez les instructions contenues dans cet article avec les exceptions suivantes :

Azure Functions vous permet d’exécuter du code serverless dans le cloud selon une planification ou en réponse à un événement. Avec les liaisons d’entrée et de sortie Azure Data Explorer pour Azure Functions, vous pouvez intégrer Azure Data Explorer dans vos workflows afin d’ingérer des données et d’exécuter des requêtes sur votre cluster.

Prérequis

Essayez l’intégration avec notre exemple de projet.

Guide pratique pour utiliser des liaisons Azure Data Explorer dans Azure Functions.

Pour plus d’informations sur l’utilisation des liaisons Azure Data Explorer pour Azure Functions, consultez les rubriques suivantes :

Scénarios d’utilisation des liaisons Azure Data Explorer pour Azure Functions

Les sections suivantes décrivent certains scénarios courants d’utilisation de liaisons Azure Data Explorer pour Azure Functions.

Liaisons d’entrée

Les liaisons d’entrée exécutent une requête KQL (Kusto Query Language) ou une fonction KQL, éventuellement avec des paramètres, et retournent la sortie à la fonction.

Les sections suivantes décrivent comment utiliser des liaisons d’entrée dans certains scénarios courants.

Scénario 1 : Un point de terminaison HTTP pour interroger des données à partir d’un cluster

L’utilisation de liaisons d’entrée s’applique dans les situations où vous devez exposer des données Azure Data Explorer via une API REST. Dans ce scénario, vous utilisez un déclencheur HTTP Azure Functions pour interroger des données dans votre cluster. Le scénario est particulièrement utile dans les situations où vous devez fournir un accès programmatique aux données Azure Data Explorer pour les applications ou services externes. L’exposition de vos données via une API REST permet aux applications de consommer facilement les données sans avoir à se connecter directement à votre cluster.

Le code définit une fonction avec un déclencheur HTTP et une liaison d’entrée Azure Data Explorer. La liaison d’entrée spécifie la requête à exécuter sur la table Products dans la base de données productsdb. La fonction utilise la colonne productId comme prédicat passé en tant que paramètre.

{
    [FunctionName("GetProduct")]
    public static async Task<IActionResult> RunAsync(
        [HttpTrigger(AuthorizationLevel.User, "get", Route = "getproducts/{productId}")]
        HttpRequest req,
        [Kusto(Database:"productsdb" ,
        KqlCommand = "declare query_parameters (productId:long);Products | where ProductID == productId" ,
        KqlParameters = "@productId={productId}",
        Connection = "KustoConnectionString")]
        IAsyncEnumerable<Product> products)
    {
        IAsyncEnumerator<Product> enumerator = products.GetAsyncEnumerator();
        var productList = new List<Product>();
        while (await enumerator.MoveNextAsync())
        {
            productList.Add(enumerator.Current);
        }
        await enumerator.DisposeAsync();
        return new OkObjectResult(productList);
    }
}

La fonction peut ensuite être appelée comme suit :

curl https://myfunctionapp.azurewebsites.net/api/getproducts/1

Scénario 2 : Un déclencheur planifié pour exporter des données à partir d’un cluster

Le scénario suivant s’applique dans les situations où les données doivent être exportées selon une planification basée sur le temps.

Le code définit une fonction avec un déclencheur de minuteur qui exporte une agrégation des données de vente de la base de données productsdb vers un fichier CSV dans Stockage Blob Azure.

public static async Task Run([TimerTrigger("0 0 1 * * *")] TimerInfo myTimer,
    [Kusto(ConnectionStringSetting = "KustoConnectionString",
            DatabaseName = "productsdb",
            Query = "ProductSales | where OrderDate >= ago(1d) | summarize Sales = sum(ProductSales) by ProductName | top 10 by Sales desc")] IEnumerable<dynamic> queryResults,
[Blob("salescontainer/productsblob.csv", FileAccess.Write, Connection = "BlobStorageConnection")] CloudBlockBlob outputBlob,
ILogger log)
{
    // Write the query results to a CSV file
    using (var stream = new MemoryStream())
    using (var writer = new StreamWriter(stream))
    using (var csv = new CsvWriter(writer, CultureInfo.InvariantCulture))
    {
        csv.WriteRecords(queryResults);
        writer.Flush();
        stream.Position = 0;
        await outputBlob.UploadFromStreamAsync(stream);
    }
}

Liaisons de sortie

Les liaisons de sortie acceptent une ou plusieurs lignes, et les insère dans une table Azure Data Explorer.

Les sections suivantes décrivent comment utiliser des liaisons de sortie dans certains scénarios courants.

Scénario 1 : Point de terminaison HTTP pour ingérer des données dans un cluster

Le scénario suivant s’applique dans les situations où les requêtes HTTP entrantes doivent être traitées et ingérées dans votre cluster. Avec une liaison de sortie, les données entrantes de la requête peuvent être écrites dans des tables Azure Data Explorer.

Le code définit une fonction avec un déclencheur HTTP et une liaison de sortie Azure Data Explorer. Cette fonction prend une charge utile JSON dans le corps de la requête HTTP, et l’écrit dans la table products de la base de données productsdb.

public static IActionResult Run(
    [HttpTrigger(AuthorizationLevel.Anonymous, "post", Route = "addproductuni")]
    HttpRequest req, ILogger log,
    [Kusto(Database:"productsdb" ,
    TableName ="products" ,
    Connection = "KustoConnectionString")] out Product product)
{
    log.LogInformation($"AddProduct function started");
    string body = new StreamReader(req.Body).ReadToEnd();
    product = JsonConvert.DeserializeObject<Product>(body);
    string productString = string.Format(CultureInfo.InvariantCulture, "(Name:{0} ID:{1} Cost:{2})",
                product.Name, product.ProductID, product.Cost);
    log.LogInformation("Ingested product {}", productString);
    return new CreatedResult($"/api/addproductuni", product);
}

La fonction peut ensuite être appelée comme suit :

curl -X POST https://myfunctionapp.azurewebsites.net/api/addproductuni -d '{"Name":"Product1","ProductID":1,"Cost":100,"ActivatedOn":"2023-01-02T00:00:00"}'

Scénario 2 : Ingérer des données à partir de RabbitMQ ou d’autres systèmes de messagerie pris en charge sur Azure

Le scénario suivant s’applique dans les situations où les données d’un système de messagerie doivent être ingérées dans votre cluster. Avec une liaison de sortie, les données entrantes du système de messagerie peuvent être ingérées dans des tables Azure Data Explorer.

Le code définit une fonction avec des messages, des données au format JSON, entrant par le biais d’un déclencheur RabbitMQ, qui sont ingérées dans la table products de la base de données productsdb.

public class QueueTrigger
{
    [FunctionName("QueueTriggerBinding")]
    [return: Kusto(Database: "productsdb",
                TableName = "products",
                Connection = "KustoConnectionString")]
    public static Product Run(
        [RabbitMQTrigger(queueName: "bindings.products.queue", ConnectionStringSetting = "rabbitMQConnectionAppSetting")] Product product,
        ILogger log)
    {
        log.LogInformation($"Dequeued product {product.ProductID}");
        return product;
    }
}

Pour plus d’informations sur les fonctions, consultez la Documentation Azure Functions. L’extension Azure Data Explorer est disponible sur :

Contenu connexe