Formato Parquet in Azure Data Factory e Azure Synapse Analytics

Articolo
12/09/2023

SI APPLICA A: Azure Data Factory Azure Synapse Analytics

Suggerimento

Provare Data Factory in Microsoft Fabric, una soluzione di analisi completa per le aziende. Microsoft Fabric copre tutti gli elementi, dallo spostamento dei dati all'analisi scientifica dei dati, all'analisi in tempo reale, alla business intelligence e alla creazione di report. Scopri come avviare gratuitamente una nuova versione di valutazione .

Seguire questo articolo quando si vogliono analizzare i file Parquet o scrivere i dati in formato Parquet.

Il formato Parquet è supportato per i connettori seguenti:

Per un elenco delle funzionalità supportate per tutti i connettori disponibili, vedere l'articolo Panoramica degli Connessione ors.

Uso del runtime di integrazione self-hosted

Importante

Per le copie attivate dal runtime di integrazione self-hosted, ad esempio tra l'archivio dati locale e quello nel cloud, se non si esegue una copia identica dei file Parquet, è necessario installare JRE 8 (Java Runtime Environment) a 64 bit o OpenJDK nel computer del runtime di integrazione. Controllare il paragrafo seguente con altri dettagli.

Per la copia in esecuzione nel runtime di integrazione self-hosted con serializzazione/deserializzazione dei file Parquet, il servizio individua il runtime Java controllando prima di tutto il Registro di sistema (SOFTWARE\JavaSoft\Java Runtime Environment\{Current Version}\JavaHome) per JRE, se non trovato, controllando in secondo luogo la variabile JAVA_HOME di sistema per OpenJDK.

Per usare JRE: il runtime di integrazione a 64 bit richiede JRE a 64 bit. disponibile qui.
Per usare OpenJDK: è supportato a partire dalla versione 3.13 del runtime di integrazione. Creare il pacchetto jvm.dll con tutti gli altri assembly necessari di OpenJDK nel computer del runtime di integrazione self-hosted e impostare la variabile di ambiente di sistema JAVA_HOME di conseguenza, quindi riavviare il runtime di integrazione self-hosted per rendere effettivo immediatamente.

Suggerimento

Se si copiano i dati nel/dal formato Parquet usando il runtime di integrazione self-hosted e si verifica l'errore "An error occurred when invoking java, message: java.lang.OutOfMemoryError:Java heap space" (Errore durante la chiamata di Java, messaggio: java.lang.OutOfMemoryError: spazio dell'heap di Java), è possibile aggiungere una variabile di ambiente _JAVA_OPTIONS nel computer che ospita il runtime di integrazione self-hosted per regolare le dimensioni min/max dell'heap per JVM e poter ottimizzare la copia, quindi eseguire di nuovo la pipeline.

Set JVM heap size on Self-hosted IR

Esempio: impostare la variabile _JAVA_OPTIONS con il valore -Xms256m -Xmx16g. Il flag Xms specifica il pool di allocazione della memoria iniziale per Java Virtual Machine (JVM), mentre Xmx specifica il pool di allocazione della memoria massima. JVM verrà quindi avviato con una quantità di memoria pari a Xms e potrà usare una quantità massima di memoria pari a Xmx. Per impostazione predefinita, il servizio usa min 64 MB e max 1G.

Proprietà del set di dati

Per un elenco completo delle sezioni e delle proprietà disponibili per la definizione dei set di dati, vedere l'articolo Set di dati. In questa sezione viene fornito un elenco delle proprietà supportate dal set di dati Parquet.

Proprietà	Descrizione	Richiesto
Tipo	La proprietà type del set di dati deve essere impostata su Parquet.	Sì
posizione	Impostazioni del percorso dei file. Ogni connettore basato su file ha il proprio tipo di percorso e le proprietà supportate in `location`. Vedere i dettagli nell'articolo connettore -> Sezione Proprietà set di dati.	Sì
compressionCodec	Codec di compressione da usare per la scrittura in file Parquet. Durante la lettura da file Parquet, Data Factory determina automaticamente il codec di compressione in base ai metadati del file. I tipi supportati sono "none", "gzip", "snappy" (impostazione predefinita) e "lzo". Nota attualmente attività Copy non supporta LZO quando i file Parquet di lettura/scrittura.	No

Nota

Lo spazio vuoto nel nome della colonna non è supportato per i file Parquet.

Di seguito è riportato un esempio di set di dati Parquet in Archiviazione BLOB di Azure:

{
    "name": "ParquetDataset",
    "properties": {
        "type": "Parquet",
        "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",
            },
            "compressionCodec": "snappy"
        }
    }
}

Proprietà dell'attività di copia

Per un elenco completo delle sezioni e delle proprietà disponibili per la definizione delle attività, vedere l'articolo sulle pipeline. In questa sezione viene fornito un elenco delle proprietà supportate dall'origine e dal sink Parquet.

Parquet come origine

Nella sezione *source* dell'attività di copia sono supportate le proprietà seguenti.

Proprietà	Descrizione	Richiesto
Tipo	La proprietà type dell'origine dell'attività di copia deve essere impostata su ParquetSource.	Sì
store Impostazioni	Gruppo di proprietà su come leggere i dati da un archivio dati. Ogni connettore basato su file ha le proprie impostazioni di lettura supportate in `storeSettings`. Vedere i dettagli nell'articolo connettore -> attività Copy sezione delle proprietà.	No

Parquet come sink

Nella sezione *sink* dell'attività di copia sono supportate le proprietà seguenti.

Proprietà	Descrizione	Richiesto
Tipo	La proprietà type del sink dell'attività di copia deve essere impostata su ParquetSink.	Sì
formato Impostazioni	Gruppo di proprietà. Fare riferimento alla tabella delle impostazioni di scrittura Parquet di seguito.	No
store Impostazioni	Gruppo di proprietà su come scrivere dati in un archivio dati. Ogni connettore basato su file ha impostazioni di scrittura supportate in `storeSettings`. Vedere i dettagli nell'articolo connettore -> attività Copy sezione delle proprietà.	No

Impostazioni di scrittura Parquet supportate in formatSettings:

Proprietà	Descrizione	Richiesto
Tipo	Il tipo di formato Impostazioni deve essere impostato su ParquetWrite Impostazioni.	Sì
maxRowsPerFile	Quando si scrivono dati in una cartella, è possibile scegliere di scrivere in più file e specificare il numero massimo di righe per file.	No
fileNamePrefix	Applicabile quando `maxRowsPerFile` è configurato. Specificare il prefisso del nome file durante la scrittura di dati in più file, con questo modello: `<fileNamePrefix>_00000.<fileExtension>`. Se non specificato, il prefisso del nome file verrà generato automaticamente. Questa proprietà non si applica quando l'origine è l'archivio basato su file o l'archivio dati abilitato per l'opzione di partizione.	No

Proprietà del flusso di dati per mapping

Nei flussi di dati di mapping è possibile leggere e scrivere in formato parquet negli archivi dati seguenti: Archiviazione BLOB di Azure, Azure Data Lake Archiviazione Gen1, Azure Data Lake Archiviazione Gen2 e SFTP ed è possibile leggere il formato parquet in Amazon S3.

Proprietà di origine

Nella tabella seguente sono elencate le proprietà supportate da un'origine Parquet. È possibile modificare queste proprietà nella scheda Opzioni origine.

Name	Descrizione	Richiesto	Valori consentiti	Proprietà script flusso di dati
Formatta	Il formato deve essere `parquet`	yes	`parquet`	format
Percorsi con caratteri jolly	Verranno elaborati tutti i file corrispondenti al percorso con caratteri jolly. Esegue l'override della cartella e del percorso del file impostato nel set di dati.	no	String[]	wildcardPaths
Partition Root Path (Percorso radice partizione)	Per i dati di file partizionati, è possibile immettere un percorso radice della partizione per leggere le cartelle partizionate come colonne	no	Stringa	partitionRootPath
Elenco di file	Indica se l'origine punta a un file di testo che elenca i file da elaborare	no	`true` o `false`	Filelist
Colonna in cui archiviare il nome file	Creare una nuova colonna con il nome e il percorso del file di origine	no	Stringa	rowUrlColumn
Dopo il completamento	Eliminare o spostare i file dopo l'elaborazione. Il percorso del file inizia dalla radice del contenitore	no	Elimina: `true` o `false` Sposta: `[<from>, <to>]`	purgeFiles moveFiles
Filtra per data ultima modifica	Scegliere di filtrare i file in base all'ultima modifica	no	Timestamp:	modifiedAfter modifiedBefore
Consenti nessun file trovato	Se true, un errore non viene generato se non vengono trovati file	no	`true` o `false`	ignoreNoFilesFound

Esempio di origine

L'immagine seguente è un esempio di configurazione di origine Parquet nei flussi di dati di mapping.

Parquet source

Lo script del flusso di dati associato è:

source(allowSchemaDrift: true,
    validateSchema: false,
    rowUrlColumn: 'fileName',
    format: 'parquet') ~> ParquetSource

Proprietà sink

Nella tabella seguente sono elencate le proprietà supportate da un sink Parquet. È possibile modificare queste proprietà nella scheda Impostazioni.

Name	Descrizione	Richiesto	Valori consentiti	Proprietà script flusso di dati
Formatta	Il formato deve essere `parquet`	yes	`parquet`	format
Cancellare la cartella	Se la cartella di destinazione viene cancellata prima della scrittura	no	`true` o `false`	truncate
Opzione Nome file	Formato di denominazione dei dati scritti. Per impostazione predefinita, un file per partizione in formato `part-#####-tid-<guid>`	no	Pattern: String Per partizione: String[] Come dati nella colonna: Stringa Output in un singolo file: `['<fileName>']`	filePattern partitionFileNames rowUrlColumn partitionFileNames

Esempio di sink

L'immagine seguente è un esempio di configurazione sink parquet nei flussi di dati di mapping.

Parquet sink