Format ORC dalam Azure Data Factory dan Synapse Analytics

APLIKASI TO: Azure Data Factory Azure Synapse Analytics

Tip

Data Factory di Microsoft Fabric adalah generasi Azure Data Factory berikutnya, dengan arsitektur yang lebih sederhana, AI bawaan, dan fitur baru. Jika Anda baru menggunakan integrasi data, mulailah dengan Fabric Data Factory. Beban kerja ADF yang ada dapat ditingkatkan ke Fabric untuk mengakses kemampuan baru di seluruh ilmu data, analitik real time, dan pelaporan.

Ikuti artikel ini saat Anda ingin mengurai file ORC atau menulis data ke dalam format ORC.

Format ORC didukung untuk konektor berikut: Amazon S3, Amazon S3 Compatible Storage, Azure Blob, Azure Data Lake Storage Gen1, Azure Data Lake Storage Gen2, Azure Files, File System, FTP, Google Cloud Storage, HDFS, HTTP, Oracle Cloud Storage dan SFTP.

Properti himpunan data

Untuk daftar lengkap bagian dan properti yang tersedia untuk menentukan himpunan data, lihat artikel Himpunan Data. Bagian ini menyediakan daftar properti yang didukung oleh himpunan data ORC.

Properti	Deskripsi	Wajib
jenis	Properti type himpunan data harus diatur ke Orc.	Ya
lokasi	Pengaturan lokasi file. Tiap konektor berbasis file memiliki jenis lokasinya sendiri dan properti yang didukung di `location`. Lihat detail di artikel konektor -> Bagian properti himpunan data.	Ya
compressionCodec	Kodek pemadatan yang digunakan saat menulis ke file ORC. Saat membaca dari file ORC, Data Factory secara otomatis menentukan kodek pemadatan berdasarkan metadata file. Jenis yang didukung adalah tidak ada, zlib, snappy (default), dan lzo. Catatan saat ini Copy activity tidak mendukung LZO saat membaca/menulis file ORC.	No

Di bawah ini adalah contoh himpunan data ORC pada Azure Blob Storage:

{
    "name": "OrcDataset",
    "properties": {
        "type": "Orc",
        "linkedServiceName": {
            "referenceName": "<Azure Blob Storage linked service name>",
            "type": "LinkedServiceReference"
        },
        "schema": [ < physical schema, optional, retrievable during authoring > ],
        "typeProperties": {
            "location": {
                "type": "AzureBlobStorageLocation",
                "container": "containername",
                "folderPath": "folder/subfolder",
            }
        }
    }
}

Perhatikan poin berikut:

Tipe data kompleks (misalnya, MAP, LIST, STRUCT) saat ini hanya didukung di Aliran Data, bukan di Aktivitas Salin. Untuk menggunakan jenis kompleks dalam aliran data, jangan impor skema file dalam himpunan data, biarkan skema kosong di himpunan data. Kemudian, dalam transformasi Sumber, impor proyeksi.
Spasi kosong dalam nama kolom tidak didukung.

properti Copy activity

Untuk daftar lengkap bagian dan properti yang tersedia untuk menentukan aktivitas, lihat artikel Alur. Bagian ini menyediakan daftar properti yang didukung oleh sumber dan sink ORC.

ORC sebagai sumber

Properti berikut didukung di bagian *sumber* aktivitas salin.

Properti	Deskripsi	Wajib
jenis	Properti type dari sumber aktivitas salin harus diatur ke OrcSource.	Ya
storeSettings	Grup berbagai properti tentang cara membaca data dari penyimpanan data. Setiap konektor berbasis file memiliki pengaturan baca yang didukung sendiri di bagian `storeSettings`. Perincian dalam artikel konektor -> Copy activity bagian properti.	No

ORC sebagai sink

Properti berikut ini didukung di bagian sink aktivitas salin.

Properti	Deskripsi	Wajib
jenis	Properti type sink aktivitas salin harus diatur ke OrcSink.	Ya
formatSettings	Grup properti. Lihat tabel pengaturan penulisan ORC di bawah ini.	No
storeSettings	Grup properti tentang cara menulis data ke penyimpanan data. Setiap konektor berbasis file memiliki pengaturan tulis tersendiri yang didukung pada `storeSettings`. Perincian dalam artikel konektor -> Copy activity bagian properti.	No

Pengaturan penulisan ORC yang didukung di formatSettings:

Properti	Deskripsi	Wajib
jenis	Jenis formatSettings harus diatur ke OrcWriteSettings.	Ya
maxRowsPerFile	Saat menulis data ke dalam folder, Anda dapat memilih untuk menulis ke beberapa file dan menentukan baris maksimal per file.	No
fileNamePrefix	Berlaku ketika `maxRowsPerFile` dikonfigurasi. Menentukan awalan nama file saat menulis data ke beberapa file, menghasilkan pola ini: `<fileNamePrefix>_00000.<fileExtension>`. Jika tidak ditentukan, awalan nama file akan dibuat secara otomatis. Properti ini tidak berlaku ketika sumber adalah penyimpanan berbasis file atau penyimpanan data dengan dukungan opsi partisi.	No

Properti pemetaan aliran data

Dalam pemetaan aliran data, Anda dapat membaca dan menulis ke format ORC di penyimpanan data berikut: Azure Blob Storage, Azure Data Lake Storage Gen1, Azure Data Lake Storage Gen2 dan SFTP, dan Anda dapat membaca format ORC dalam Amazon S3.

Anda dapat mengarahkan ke file ORC baik menggunakan himpunan data ORC atau menggunakan himpunan data sebaris.

Properti sumber

Tabel di bawah ini mencantumkan properti yang didukung oleh sumber ORC. Anda bisa mengedit properti ini di tab opsi Sumber.

Saat menggunakan himpunan data sebaris, Anda akan melihat pengaturan file tambahan, yang sama dengan properti yang dijelaskan di bagian properti himpunan data.

Nama	Deskripsi	Wajib	Nilai yang diizinkan	Properti skrip aliran data
Format	Format harus berupa `orc`	yes	`orc`	format
Jalur wild card	Semua file yang cocok dengan jalur kartubebas akan diproses. Mengambil alih jalur folder dan file yang diatur dalam himpunan data.	no	Tali[]	wildcardPaths
Jalur akar partisi	Untuk data file yang dipartisi, Anda dapat memasukkan jalur akar partisi untuk membaca folder yang dipartisi sebagai kolom	no	String	partitionRootPath
Daftar file	Apakah sumber Anda mengarah ke file teks yang mencantumkan file untuk diproses	no	`true` atau `false`	fileList
Kolom untuk menyimpan nama file	Membuat kolom baru dengan jalur dan nama file sumber	no	String	rowUrlColumn
Setelah selesai	Hapus atau pindahkan file setelah diproses. Jalur file dimulai dari akar kontainer	no	Hapus: `true` atau `false` Pindah: `[<from>, <to>]`	purgeFiles moveFiles
Filter menurut terakhir diubah	Pilih untuk memfilter file berdasarkan waktu terakhir file tersebut diubah	no	Tanda Waktu	modifiedAfter modifiedBefore
Izinkan file tidak ditemukan	Jika true, kesalahan tidak akan ditampilkan jika tidak ditemukan file	no	`true` atau `false`	ignoreNoFilesFound

Contoh sumber

Skrip aliran data terkait dari konfigurasi sumber ORC adalah:

source(allowSchemaDrift: true,
    validateSchema: false,
    rowUrlColumn: 'fileName',
    format: 'orc') ~> OrcSource

Properti sink

Tabel di bawah ini mencantumkan properti yang didukung oleh sink ORC. Anda dapat mengedit properti ini di tab Pengaturan.

Saat menggunakan himpunan data sebaris, Anda akan melihat pengaturan file tambahan, yang sama dengan properti yang dijelaskan di bagian properti himpunan data.

Nama	Deskripsi	Wajib	Nilai yang diizinkan	Properti skrip aliran data
Format	Format harus berupa `orc`	yes	`orc`	format
Menghapus folder	Jika folder tujuan dibersihkan sebelum menulis	no	`true` atau `false`	Memotong
Opsi nama file	Format penamaan data yang ditulis. Secara default, satu file per partisi dalam format `part-#####-tid-<guid>`	no	Pola: String Per partisi: String[] Sebagai data dalam kolom: String Output ke satu file: `['<fileName>']`	filePattern partitionFileNames rowUrlColumn partitionFileNames

Contoh sink

Skrip aliran data terkait dari konfigurasi sink ORC adalah:

OrcSource sink(
    format: 'orc',
    filePattern:'output[n].orc',
    truncate: true,
    allowSchemaDrift: true,
    validateSchema: false,
    skipDuplicateMapInputs: true,
    skipDuplicateMapOutputs: true) ~> OrcSink

Menggunakan Integration Runtime yang dihost sendiri

Penting

Untuk salinan yang diberdayakan oleh Integration Runtime yang dihost sendiri misalnya antara penyimpanan data lokal dan cloud, jika Anda tidak menyalin file ORC as-is, Anda perlu menginstal 64-bit JRE 8 (Java Runtime Environment) atau OpenJDK dan Microsoft Visual C++ 2010 Redistributable Package pada komputer IR Anda. Periksa paragraf berikut dengan detail selengkapnya.

Untuk penyalinan yang berjalan pada IR yang dihost sendiri dengan serialisasi/deserialisasi file ORC, layanan menemukan runtime Java dengan terlebih dahulu memeriksa registri (SOFTWARE\JavaSoft\Java Runtime Environment\{Current Version}\JavaHome) untuk JRE, jika tidak ditemukan, kedua memeriksa variabel sistem JAVA_HOME untuk OpenJDK.

Untuk menggunakan JRE: IR 64-bit membutuhkan JRE 64-bit. Anda dapat menemukannya dari sini.
Untuk menggunakan OpenJDK: Ini didukung sejak Runtime integrasi versi 3.13. Kemas jvm.dll dengan semua rakitan OpenJDK lain yang diperlukan ke dalam mesin IR yang dihost sendiri, dan atur variabel lingkungan sistem JAVA_HOME dengan sesuai.
Untuk menginstal Visual C++ 2010 Redistributable Package: Visual C++ 2010 Redistributable Package tidak diinstal dengan penginstalan Runtime integrasi yang dihost sendiri. Anda dapat menemukannya dari sini.

Tip

Jika Anda menyalin data ke/dari format ORC menggunakan Integration Runtime yang dihost sendiri dan menekan kesalahan yang mengatakan "Terjadi kesalahan saat memanggil java, pesan: java.lang. OutOfMemoryError:Java heap space", Anda dapat menambahkan variabel lingkungan _JAVA_OPTIONS di komputer yang menghosting IR yang dihost sendiri untuk menyesuaikan ukuran tumpukan min/maks bagi JVM untuk memberdayakan salinan tersebut, lalu menjalankan ulang alur.

Mengatur ukuran timbunan JVM pada IR yang dihost sendiri

Contoh: atur variabel _JAVA_OPTIONS dengan nilai -Xms256m -Xmx16g. Bendera Xms menentukan kumpulan alokasi memori awal untuk Java Virtual Machine (JVM), sementara Xmx menentukan kumpulan alokasi memori maksimum. Ini berarti bahwa JVM akan dimulai dengan jumlah memori Xms dan akan dapat menggunakan jumlah memori maksimum Xmx. Secara default, layanan menggunakan min 64 MB dan maks 1G.

Saran dan Komentar

Apakah halaman ini membantu?

Last updated on 2026-04-07