Datastore Classe
Représente une abstraction de stockage sur un compte de stockage Azure Machine Learning.
Les magasins de données sont joints à des espaces de travail et sont utilisés pour stocker les informations de connexion aux services de stockage Azure afin que vous puissiez y faire référence par leur nom et qu’il ne soit pas nécessaire de mémoriser les informations de connexion et le secret utilisés pour la connexion aux services de stockage.
Voici des exemples de services de stockage Azure pris en charge qui peuvent être enregistrés en tant que magasins de données :
Conteneur d’objets blob Azure
Partage de fichiers Azure
Azure Data Lake
Azure Data Lake Gen2
Azure SQL Database
Azure Database pour PostgreSQL
Système de fichiers Databricks
Azure Database pour MySQL
Utilisez cette classe pour effectuer des opérations de gestion, notamment pour inscrire, répertorier, récupérer et supprimer des magasins de données.
Les magasins de données de chaque service sont créés avec les méthodes register*
de cette classe. Quand vous utilisez un magasin de données pour accéder aux données, vous devez avoir l’autorisation d’accéder à ces données. Cela dépend des informations d’identification inscrites auprès du magasin de données.
Pour plus d’informations sur les magasins de données et sur la façon dont ils peuvent être utilisés pour le Machine Learning, consultez les articles suivants :
Obtient un magasin de données par nom. Cet appel fera une demande au service de magasin de données.
- Héritage
-
builtins.objectDatastore
Constructeur
Datastore(workspace, name=None)
Paramètres
- name
- str, <xref:optional>
Nom du magasin de données. La valeur par défaut est None, qui obtient le magasin de données par défaut.
Remarques
Pour interagir avec les données de vos magasins de données pour les tâches de Machine Learning, comme l’apprentissage, créez un jeu de données Azure Machine Learning. Les jeux de données fournissent des fonctions qui chargent des données tabulaires dans un dataframe Pandas ou Spark. Ils offrent également la possibilité de télécharger ou monter des fichiers de n’importe quel format à partir des stockages suivants : Stockage Blob Azure, Azure Files, Azure Data Lake Storage Gen1, Azure Data Lake Storage Gen2, Azure SQL Database et Azure Database pour PostgreSQL. Découvrez-en plus sur l’entraînement avec des jeux de données.
L’exemple suivant montre comment créer un magasin de stockage connecté à un conteneur d’objets blob Azure.
from azureml.exceptions import UserErrorException
blob_datastore_name='MyBlobDatastore'
account_name=os.getenv("BLOB_ACCOUNTNAME_62", "<my-account-name>") # Storage account name
container_name=os.getenv("BLOB_CONTAINER_62", "<my-container-name>") # Name of Azure blob container
account_key=os.getenv("BLOB_ACCOUNT_KEY_62", "<my-account-key>") # Storage account key
try:
blob_datastore = Datastore.get(ws, blob_datastore_name)
print("Found Blob Datastore with name: %s" % blob_datastore_name)
except UserErrorException:
blob_datastore = Datastore.register_azure_blob_container(
workspace=ws,
datastore_name=blob_datastore_name,
account_name=account_name, # Storage account name
container_name=container_name, # Name of Azure blob container
account_key=account_key) # Storage account key
print("Registered blob datastore with name: %s" % blob_datastore_name)
blob_data_ref = DataReference(
datastore=blob_datastore,
data_reference_name="blob_test_data",
path_on_datastore="testdata")
Un exemple complet est disponible sur https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-data-transfer.ipynb
Méthodes
get |
Obtient un magasin de données par nom. Cela revient à appeler le constructeur. |
get_default |
Obtient le magasin de données par défaut pour l’espace de travail. |
register_azure_blob_container |
Inscrit un conteneur d’objets blob Azure auprès du magasin de données. L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez choisir d’utiliser un jeton SAS ou une clé de compte de stockage. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici. |
register_azure_data_lake |
Initialise un nouveau magasin de données Azure Data Lake. L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez inscrire un magasin de données auprès du principal du service pour un accès aux données basé sur les informations d’identification. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici. Vous trouverez ci-dessous un exemple d’inscription d’un système de fichiers Azure Data Lake Gen1 en tant que magasin de données.
|
register_azure_data_lake_gen2 |
Initialise un nouveau magasin de données Azure Data Lake Gen2. L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez inscrire un magasin de données auprès du principal du service pour un accès aux données basé sur les informations d’identification. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici. |
register_azure_file_share |
Inscrit un partage de fichiers Azure au magasin de données. Vous pouvez choisir d’utiliser un jeton SAS ou une clé de compte de stockage |
register_azure_my_sql |
Initialise un nouveau magasin de données Azure MySQL. Le magasin de données MySQL ne peut être utilisé que pour créer l’objet DataReference en tant qu’entrée et sortie vers DataTransferStep dans les pipelines Azure Machine Learning. Pour plus d’informations, cliquez ici. Pour obtenir un exemple d’inscription d’une base de données Azure MySQL en tant que magasin de données, voir ci-dessous. |
register_azure_postgre_sql |
Initialise nouveau magasin de données Azure PostgreSQL. Pour obtenir un exemple d’inscription d’une base de données Azure PostgreSQL en tant que magasin de données, voir ci-dessous. |
register_azure_sql_database |
Initialise un nouveau magasin de données de base de données Azure SQL. L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez choisir d’utiliser le principal de service ou le nom d’utilisateur et le mot de passe. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici. Vous trouverez ci-dessous un exemple d’inscription d’une base de données Azure SQL en tant que magasin de données. |
register_dbfs |
Initialisez un nouveau magasin de données de système de fichiers Databricks (DBFS). Le magasin de données DBFS peut être utilisé uniquement pour créer DataReference en tant qu’entrée et PipelineData en tant que sortie vers DatabricksStep dans les pipelines Azure Machine Learning. Vous trouverez plus d’informations ici. |
register_hdfs |
Notes Il s’agit d’une méthode expérimentale qui peut changer à tout moment. Pour plus d’informations, consultez https://aka.ms/azuremlexperimental. Initialisez un nouveau magasin de données HDFS. |
set_as_default |
Définit le magasin de données par défaut. |
unregister |
Annule l’inscription du magasin de données. Le service de stockage sous-jacent n’est pas supprimé. |
get
Obtient un magasin de données par nom. Cela revient à appeler le constructeur.
static get(workspace, datastore_name)
Paramètres
- datastore_name
- str, <xref:optional>
Nom du magasin de données. La valeur par défaut est None, qui obtient le magasin de données par défaut.
Retours
Magasin de données correspondant à ce nom.
Type de retour
get_default
Obtient le magasin de données par défaut pour l’espace de travail.
static get_default(workspace)
Paramètres
Retours
Magasin de données par défaut pour l’espace de travail
Type de retour
register_azure_blob_container
Inscrit un conteneur d’objets blob Azure auprès du magasin de données.
L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez choisir d’utiliser un jeton SAS ou une clé de compte de stockage. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici.
static register_azure_blob_container(workspace, datastore_name, container_name, account_name, sas_token=None, account_key=None, protocol=None, endpoint=None, overwrite=False, create_if_not_exists=False, skip_validation=False, blob_cache_timeout=None, grant_workspace_access=False, subscription_id=None, resource_group=None)
Paramètres
- datastore_name
- str
Nom du magasin de données, ne respecte pas la casse, doit contenir uniquement des caractères alphanumériques et _.
- sas_token
- str, <xref:optional>
Jeton SAS du compte. La valeur par défaut est None. Pour la lecture des données, nous avons besoin d’un minimum d’autorisations List & Read pour les conteneurs & Objects, et pour l’écriture de données, nous avons également besoin d’autorisations Écrire & Ajouter.
- account_key
- str, <xref:optional>
Clés d’accès de votre compte de stockage. La valeur par défaut est None.
- protocol
- str, <xref:optional>
Protocole à utiliser pour la connexion au conteneur d’objets blob. Si None est défini, la valeur par défaut est https.
- endpoint
- str, <xref:optional>
Point de terminaison du compte de stockage. Si None est défini, la valeur par défaut est core.windows.net.
- overwrite
- bool, <xref:optional>
Remplace un magasin de données existant. Si le magasin de données n’existe pas, il est créé. La valeur par défaut est False
- create_if_not_exists
- bool, <xref:optional>
Crée le conteneur d’objets BLOB s’il n’existe pas. La valeur par défaut est False
- skip_validation
- bool, <xref:optional>
Ignore la validation des clés de stockage. La valeur par défaut est False
- blob_cache_timeout
- int, <xref:optional>
Quand cet objet blob est monté, définit le délai d’expiration du cache sur ce nombre de secondes. Si None est défini, la valeur par défaut est aucun délai d’expiration (c’est-à-dire que les objets BLOB sont mis en cache pour la durée du travail lors de la lecture).
- grant_workspace_access
- bool, <xref:optional>
Valeur par défaut False. Définissez-la sur True pour accéder à des données situées derrière un réseau virtuel à partir de Machine Learning Studio. Ainsi, lors de l’accès aux données à partir de Machine Learning Studio, l’identité managée de l’espace de travail est utilisée pour l’authentification, et celle-ci est ajoutée en tant que Lecteur du stockage. Vous devez être Propriétaire ou Administrateur de l’accès utilisateur du stockage pour configurer cette option. Si vous ne disposez pas de l’autorisation requise, demandez à votre administrateur de la configurer pour vous. Pour en savoir plus, consultez « https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network »
- subscription_id
- str, <xref:optional>
ID d’abonnement du compte de stockage. La valeur par défaut est None.
- resource_group
- str, <xref:optional>
Groupe de ressources du compte de stockage. La valeur par défaut est False.
Retours
Magasin de données d’objets blob.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
register_azure_data_lake
Initialise un nouveau magasin de données Azure Data Lake.
L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez inscrire un magasin de données auprès du principal du service pour un accès aux données basé sur les informations d’identification. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici.
Vous trouverez ci-dessous un exemple d’inscription d’un système de fichiers Azure Data Lake Gen1 en tant que magasin de données.
adlsgen1_datastore_name='adlsgen1datastore'
store_name=os.getenv("ADL_STORENAME", "<my_datastore_name>") # the ADLS name
subscription_id=os.getenv("ADL_SUBSCRIPTION", "<my_subscription_id>") # subscription id of the ADLS
resource_group=os.getenv("ADL_RESOURCE_GROUP", "<my_resource_group>") # resource group of ADLS
tenant_id=os.getenv("ADL_TENANT", "<my_tenant_id>") # tenant id of service principal
client_id=os.getenv("ADL_CLIENTID", "<my_client_id>") # client id of service principal
client_secret=os.getenv("ADL_CLIENT_SECRET", "<my_client_secret>") # the secret of service principal
adls_datastore = Datastore.register_azure_data_lake(
workspace=ws,
datastore_name=aslsgen1_datastore_name,
subscription_id=subscription_id, # subscription id of ADLS account
resource_group=resource_group, # resource group of ADLS account
store_name=store_name, # ADLS account name
tenant_id=tenant_id, # tenant id of service principal
client_id=client_id, # client id of service principal
client_secret=client_secret) # the secret of service principal
static register_azure_data_lake(workspace, datastore_name, store_name, tenant_id=None, client_id=None, client_secret=None, resource_url=None, authority_url=None, subscription_id=None, resource_group=None, overwrite=False, grant_workspace_access=False)
Paramètres
- tenant_id
- str, <xref:optional>
ID de répertoire/ID de locataire du principal de service utilisé pour accéder aux données.
- client_id
- str, <xref:optional>
ID de client/ID d’application du principal de service utilisé pour accéder aux données.
- client_secret
- str, <xref:optional>
Clé secrète client principal de service utilisé pour accéder aux données.
- resource_url
- str, <xref:optional>
URL de ressource, qui détermine les opérations qui sont exécutées sur le Data Lake Store. Si None est défini, la valeur par défaut est https://datalake.azure.net/
, qui permet d’effectuer des opérations du système de fichiers.
- authority_url
- str, <xref:optional>
URL de l’autorité utilisée pour authentifier l’utilisateur. La valeur par défaut est https://login.microsoftonline.com
.
- subscription_id
- str, <xref:optional>
ID de l’abonnement auquel le magasin ADLS appartient.
- resource_group
- str, <xref:optional>
Groupe de ressources auquel appartient le magasin ADLS.
- overwrite
- bool, <xref:optional>
Indique si un magasin de données existant doit être remplacé. Si le magasin de données n’existe pas, il est créé. La valeur par défaut est False.
- grant_workspace_access
- bool, <xref:optional>
Valeur par défaut False. Définissez-la sur True pour accéder à des données situées derrière un réseau virtuel à partir de Machine Learning Studio. Ainsi, lors de l’accès aux données à partir de Machine Learning Studio, l’identité managée de l’espace de travail est utilisée pour l’authentification, et celle-ci est ajoutée en tant que Lecteur du stockage. Vous devez être Propriétaire ou Administrateur de l’accès utilisateur du stockage pour configurer cette option. Si vous ne disposez pas de l’autorisation requise, demandez à votre administrateur de la configurer pour vous. Pour en savoir plus, consultez « https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network »
Retours
Retourne le magasin de données Azure Data Lake.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
Notes
Le magasin de données Azure Data Lake prend en charge le transfert de données et l’exécution de travaux U-Sql à l’aide des pipelines Azure Machine Learning.
Vous pouvez également l’utiliser comme source de données pour le jeu de données Azure Machine Learning qui peut être téléchargé ou monté sur tout calcul pris en charge.
register_azure_data_lake_gen2
Initialise un nouveau magasin de données Azure Data Lake Gen2.
L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez inscrire un magasin de données auprès du principal du service pour un accès aux données basé sur les informations d’identification. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici.
static register_azure_data_lake_gen2(workspace, datastore_name, filesystem, account_name, tenant_id=None, client_id=None, client_secret=None, resource_url=None, authority_url=None, protocol=None, endpoint=None, overwrite=False, subscription_id=None, resource_group=None, grant_workspace_access=False)
Paramètres
- tenant_id
- str, <xref:optional>
ID de répertoire/ID de locataire du principal de service.
- client_id
- str, <xref:optional>
ID de client/ID d’application du principal de service.
- resource_url
- str, <xref:optional>
URL de ressource, qui détermine les opérations qui sont exécutées sur le Data Lake Store. La valeur par défaut est https://storage.azure.com/
, qui permet d’effectuer des opérations du système de fichiers.
- authority_url
- str, <xref:optional>
URL de l’autorité utilisée pour authentifier l’utilisateur. La valeur par défaut est https://login.microsoftonline.com
.
- protocol
- str, <xref:optional>
Protocole à utiliser pour la connexion au conteneur d’objets blob. Si None est défini, la valeur par défaut est https.
- endpoint
- str, <xref:optional>
Point de terminaison du compte de stockage. Si None est défini, la valeur par défaut est core.windows.net.
- overwrite
- bool, <xref:optional>
Indique si un magasin de données existant doit être remplacé. Si le magasin de données n’existe pas, il est créé. La valeur par défaut est False.
- subscription_id
- str, <xref:optional>
ID de l’abonnement auquel le magasin ADLS appartient.
- resource_group
- str, <xref:optional>
Groupe de ressources auquel appartient le magasin ADLS.
- grant_workspace_access
- bool, <xref:optional>
Valeur par défaut False. Définissez-la sur True pour accéder à des données situées derrière un réseau virtuel à partir de Machine Learning Studio. Ainsi, lors de l’accès aux données à partir de Machine Learning Studio, l’identité managée de l’espace de travail est utilisée pour l’authentification, et celle-ci est ajoutée en tant que Lecteur du stockage. Vous devez être Propriétaire ou Administrateur de l’accès utilisateur du stockage pour configurer cette option. Si vous ne disposez pas de l’autorisation requise, demandez à votre administrateur de la configurer pour vous. Pour en savoir plus, consultez « https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network »
Retours
Retourne le magasin de données Azure Data Lake Gen2.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
register_azure_file_share
Inscrit un partage de fichiers Azure au magasin de données.
Vous pouvez choisir d’utiliser un jeton SAS ou une clé de compte de stockage
static register_azure_file_share(workspace, datastore_name, file_share_name, account_name, sas_token=None, account_key=None, protocol=None, endpoint=None, overwrite=False, create_if_not_exists=False, skip_validation=False)
Paramètres
- datastore_name
- str
Nom du magasin de données, ne respecte pas la casse, doit contenir uniquement des caractères alphanumériques et _.
- sas_token
- str, <xref:optional>
Jeton SAS du compte. La valeur par défaut est None. Pour la lecture des données, nous avons besoin d’un minimum d’autorisations List & Read pour les conteneurs & Objects, et pour l’écriture de données, nous avons également besoin d’autorisations Écrire & Ajouter.
- account_key
- str, <xref:optional>
Clés d’accès de votre compte de stockage. La valeur par défaut est None.
- protocol
- str, <xref:optional>
Protocole à utiliser pour se connecter au partage de fichiers. Si None est défini, la valeur par défaut est https.
- endpoint
- str, <xref:optional>
Point de terminaison du partage de fichiers. Si None est défini, la valeur par défaut est core.windows.net.
- overwrite
- bool, <xref:optional>
Indique si un magasin de données existant doit être remplacé. Si le magasin de données n’existe pas, il est créé. La valeur par défaut est False.
- create_if_not_exists
- bool, <xref:optional>
Indique si le partage de fichiers doit être créé s’il n’existe pas. La valeur par défaut est False.
- skip_validation
- bool, <xref:optional>
Indique s’il faut ignorer la validation des clés de stockage. La valeur par défaut est False.
Retours
Magasin de données de fichiers.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
register_azure_my_sql
Initialise un nouveau magasin de données Azure MySQL.
Le magasin de données MySQL ne peut être utilisé que pour créer l’objet DataReference en tant qu’entrée et sortie vers DataTransferStep dans les pipelines Azure Machine Learning. Pour plus d’informations, cliquez ici.
Pour obtenir un exemple d’inscription d’une base de données Azure MySQL en tant que magasin de données, voir ci-dessous.
static register_azure_my_sql(workspace, datastore_name, server_name, database_name, user_id, user_password, port_number=None, endpoint=None, overwrite=False, **kwargs)
Paramètres
- endpoint
- str, <xref:optional>
Point de terminaison du serveur MySQL. Si None est défini, la valeur par défaut est mysql.database.azure.com.
- overwrite
- bool, <xref:optional>
Indique si un magasin de données existant doit être remplacé. Si le magasin de données n’existe pas, il est créé. La valeur par défaut est False.
Retours
Retourne le magasin de données de la base de données MySQL.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
mysql_datastore_name="mysqldatastore"
server_name=os.getenv("MYSQL_SERVERNAME", "<my_server_name>") # FQDN name of the MySQL server
database_name=os.getenv("MYSQL_DATBASENAME", "<my_database_name>") # Name of the MySQL database
user_id=os.getenv("MYSQL_USERID", "<my_user_id>") # The User ID of the MySQL server
user_password=os.getenv("MYSQL_USERPW", "<my_user_password>") # The user password of the MySQL server.
mysql_datastore = Datastore.register_azure_my_sql(
workspace=ws,
datastore_name=mysql_datastore_name,
server_name=server_name,
database_name=database_name,
user_id=user_id,
user_password=user_password)
register_azure_postgre_sql
Initialise nouveau magasin de données Azure PostgreSQL.
Pour obtenir un exemple d’inscription d’une base de données Azure PostgreSQL en tant que magasin de données, voir ci-dessous.
static register_azure_postgre_sql(workspace, datastore_name, server_name, database_name, user_id, user_password, port_number=None, endpoint=None, overwrite=False, enforce_ssl=True, **kwargs)
Paramètres
- endpoint
- str, <xref:optional>
ID d’utilisateur du serveur PostgreSQL. Si None est défini, la valeur par défaut est postgres.database.azure.com.
- overwrite
- bool, <xref:optional>
Indique si un magasin de données existant doit être remplacé. Si le magasin de données n’existe pas, il est créé. La valeur par défaut est False.
- enforce_ssl
- bool
Indique la configuration SSL requise pour le serveur PostgreSQL. La valeur par défaut est True.
Retours
Retourne le magasin de données de la base de données PostgreSQL.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
psql_datastore_name="postgresqldatastore"
server_name=os.getenv("PSQL_SERVERNAME", "<my_server_name>") # FQDN name of the PostgreSQL server
database_name=os.getenv("PSQL_DATBASENAME", "<my_database_name>") # Name of the PostgreSQL database
user_id=os.getenv("PSQL_USERID", "<my_user_id>") # The database user id
user_password=os.getenv("PSQL_USERPW", "<my_user_password>") # The database user password
psql_datastore = Datastore.register_azure_postgre_sql(
workspace=ws,
datastore_name=psql_datastore_name,
server_name=server_name,
database_name=database_name,
user_id=user_id,
user_password=user_password)
register_azure_sql_database
Initialise un nouveau magasin de données de base de données Azure SQL.
L’accès aux données basé sur les informations d’identification (GA) et sur l’identité (préversion) est pris en charge. Vous pouvez choisir d’utiliser le principal de service ou le nom d’utilisateur et le mot de passe. En l’absence d’informations d’identification enregistrées dans le magasin de données, le jeton AAD des utilisateurs est utilisé dans le notebook ou dans le programme python local s’il appelle directement l’une des fonctions suivantes : FileDataset.mount FileDataset.download FileDataset.to_path TabularDataset.to_pandas_dataframe TabularDataset.to_dask_dataframe TabularDataset.to_spark_dataframe TabularDataset.to_parquet_files TabularDataset.to_csv_files. L’identité de la cible de calcul sera utilisée dans les travaux soumis par Experiment.submit pour l’authentification de l’accès aux données. En savoir plus ici.
Vous trouverez ci-dessous un exemple d’inscription d’une base de données Azure SQL en tant que magasin de données.
static register_azure_sql_database(workspace, datastore_name, server_name, database_name, tenant_id=None, client_id=None, client_secret=None, resource_url=None, authority_url=None, endpoint=None, overwrite=False, username=None, password=None, subscription_id=None, resource_group=None, grant_workspace_access=False, **kwargs)
Paramètres
- server_name
- str
Nom du serveur SQL Server. Pour un nom de domaine complet comme « sample.database.windows.net », la valeur de server_name doit être « sample » et la valeur de point de terminaison doit être « database.windows.net ».
- resource_url
- str, <xref:optional>
URL de la ressource, qui détermine les opérations qui sont exécutées sur le magasin de base de données SQL. Si None est défini, la valeur par défaut est https://database.windows.net/.
- authority_url
- str, <xref:optional>
URL de l’autorité utilisée pour authentifier l’utilisateur. La valeur par défaut est https://login.microsoftonline.com.
- endpoint
- str, <xref:optional>
Point de terminaison du serveur SQL. Si la valeur est None, la valeur par défaut est database.windows.net.
- overwrite
- bool, <xref:optional>
Indique si un magasin de données existant doit être remplacé. Si le magasin de données n’existe pas, il est créé. La valeur par défaut est False.
- username
- str
Nom d’utilisateur de l’utilisateur de base de données pour accéder à la base de données.
- password
- str
Mot de passe de l’utilisateur de base de données pour accéder à la base de données.
- skip_validation
- bool, <xref:optional>
Indique s’il faut ignorer la validation de la connexion à la base de données SQL. Valeur par défaut False.
- subscription_id
- str, <xref:optional>
ID de l’abonnement auquel le magasin ADLS appartient.
- resource_group
- str, <xref:optional>
Groupe de ressources auquel appartient le magasin ADLS.
- grant_workspace_access
- bool, <xref:optional>
Valeur par défaut False. Définissez-la sur True pour accéder à des données situées derrière un réseau virtuel à partir de Machine Learning Studio. Ainsi, lors de l’accès aux données à partir de Machine Learning Studio, l’identité managée de l’espace de travail est utilisée pour l’authentification, et celle-ci est ajoutée en tant que Lecteur du stockage. Vous devez être Propriétaire ou Administrateur de l’accès utilisateur du stockage pour configurer cette option. Si vous ne disposez pas de l’autorisation requise, demandez à votre administrateur de la configurer pour vous. Pour en savoir plus, consultez « https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network »
Retours
Retourne le magasin de données de la base de données SQL.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
sql_datastore_name="azuresqldatastore"
server_name=os.getenv("SQL_SERVERNAME", "<my_server_name>") # Name of the Azure SQL server
database_name=os.getenv("SQL_DATABASENAME", "<my_database_name>") # Name of the Azure SQL database
username=os.getenv("SQL_USER_NAME", "<my_sql_user_name>") # The username of the database user.
password=os.getenv("SQL_USER_PASSWORD", "<my_sql_user_password>") # The password of the database user.
sql_datastore = Datastore.register_azure_sql_database(
workspace=ws,
datastore_name=sql_datastore_name,
server_name=server_name, # name should not contain fully qualified domain endpoint
database_name=database_name,
username=username,
password=password,
endpoint='database.windows.net')
register_dbfs
Initialisez un nouveau magasin de données de système de fichiers Databricks (DBFS).
Le magasin de données DBFS peut être utilisé uniquement pour créer DataReference en tant qu’entrée et PipelineData en tant que sortie vers DatabricksStep dans les pipelines Azure Machine Learning. Vous trouverez plus d’informations ici.
static register_dbfs(workspace, datastore_name)
Paramètres
Retours
Retourne le magasin de données DBFS.
Type de retour
Remarques
Si vous joignez le stockage d’une autre région que celle de l’espace de travail, vous risquez d’avoir une latence plus élevée et des coûts supplémentaires d’utilisation du réseau.
register_hdfs
Notes
Il s’agit d’une méthode expérimentale qui peut changer à tout moment. Pour plus d’informations, consultez https://aka.ms/azuremlexperimental.
Initialisez un nouveau magasin de données HDFS.
static register_hdfs(workspace, datastore_name, protocol, namenode_address, hdfs_server_certificate, kerberos_realm, kerberos_kdc_address, kerberos_principal, kerberos_keytab=None, kerberos_password=None, overwrite=False)
Paramètres
- protocol
- str ou <xref:_restclient.models.enum>
Protocole à utiliser lors de la communication avec le cluster HDFS. http ou https. Les valeurs possibles sont : « http », « https »
- namenode_address
- str
L’adresse IP ou le nom d’hôte DNS du namenode HDFS. Peut inclure un port (facultatif).
- hdfs_server_certificate
- str, <xref:optional>
Le chemin vers le certificat de signature TLS du namenode HDFS, si TLS est utilisé avec un certificat auto-signé.
- kerberos_principal
- str
Principal Kerberos à utiliser pour l’authentification et l’autorisation.
- kerberos_keytab
- str, <xref:optional>
Chemin vers le fichier keytab contenant la ou les clés correspondant au principal Kerberos. Fournissez cette valeur ou un mot de passe.
- kerberos_password
- str, <xref:optional>
Mot de passe correspondant au principal Kerberos. Fournissez cette valeur ou le chemin vers un fichier keytab.
- overwrite
- bool, <xref:optional>
Remplace un magasin de données existant. Si le magasin de données n’existe pas, il est créé. Valeur par défaut False.
set_as_default
Définit le magasin de données par défaut.
set_as_default()
Paramètres
unregister
Annule l’inscription du magasin de données. Le service de stockage sous-jacent n’est pas supprimé.
unregister()
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour