Datastore Classe
Rappresenta un'astrazione dell'archiviazione su un account di archiviazione di Azure Machine Learning.
Gli archivi dati sono collegati alle aree di lavoro e vengono usati per archiviare le informazioni di connessione ai servizi di archiviazione di Azure in modo da poterli fare riferimento in base al nome e non è necessario ricordare le informazioni di connessione e il segreto usati per connettersi ai servizi di archiviazione.
Esempi di servizi di archiviazione di Azure supportati che possono essere registrati come archivi dati sono:
Contenitore BLOB di Azure
Condivisione file di Azure
Azure Data Lake
Azure Data Lake Gen2
Database SQL di Azure
Database di Azure per PostgreSQL
File system di Databricks
Database di Azure per MySQL
Usare questa classe per eseguire operazioni di gestione, tra cui registrare, elencare, ottenere e rimuovere archivi dati.
Gli archivi dati per ogni servizio vengono creati con i register*
metodi di questa classe. Quando si usa un archivio dati per accedere ai dati, è necessario disporre dell'autorizzazione per accedere ai dati, che dipendono dalle credenziali registrate con l'archivio dati.
Per altre informazioni sugli archivi dati e su come possono essere usati in Machine Learning, vedere gli articoli seguenti:
Ottenere un archivio dati in base al nome. Questa chiamata eseguirà una richiesta al servizio di archiviazione dati.
- Ereditarietà
-
builtins.objectDatastore
Costruttore
Datastore(workspace, name=None)
Parametri
- name
- str, <xref:optional>
Il nome dell'archivio dati, il valore predefinito è Nessuno, che ottiene l'archivio dati predefinito.
Commenti
Per interagire con i dati negli archivi dati per le attività di Machine Learning, ad esempio il training, creare un set di dati di Azure Machine Learning. I set di dati forniscono funzioni per il caricamento dei dati tabulari in un dataframe Pandas o Spark. I set di dati consentono inoltre di scaricare o montare file di qualsiasi formato da Archiviazione BLOB di Azure, File di Azure, Azure Data Lake Storage Gen1, Azure Data Lake Storage Gen2, database SQL di Azure e Database di Azure per PostgreSQL. Vedere altre informazioni su come eseguire il training con i set di dati.
Nell'esempio seguente viene illustrato come creare un archivio dati connesso a Contenitore BLOB di 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")
L'esempio completo è disponibile da https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-data-transfer.ipynb
Metodi
get |
Ottenere un archivio dati in base al nome. Equivale a chiamare il costruttore. |
get_default |
Ottenere l'archivio dati predefinito per l'area di lavoro. |
register_azure_blob_container |
Registrare un contenitore BLOB di Azure nell'archivio dati. Sono supportati l'accesso ai dati basato sulle credenziali (GA) e l'accesso ai dati basato su identità (anteprima), è possibile scegliere di usare il token di firma di accesso condiviso o la chiave dell'account di archiviazione. Se non vengono salvate credenziali con l'archivio dati, il token AAD degli utenti verrà usato nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni. |
register_azure_data_lake |
Inizializzare un nuovo archivio dati di Azure Data Lake. L'accesso ai dati basato su credenziali (GA) e identity based (anteprima) è supportato, è possibile registrare un archivio dati con entità servizio per l'accesso ai dati basati sulle credenziali. Se non viene salvata alcuna credenziale con l'archivio dati, verrà usato il token AAD degli utenti nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni. Per un esempio di come registrare azure Data Lake Gen1 come archivio dati, vedere di seguito.
|
register_azure_data_lake_gen2 |
Inizializzare un nuovo archivio dati di Azure Data Lake Gen2. L'accesso ai dati basato su credenziali (GA) e identity based (anteprima) è supportato, è possibile registrare un archivio dati con entità servizio per l'accesso ai dati basati sulle credenziali. Se non viene salvata alcuna credenziale con l'archivio dati, verrà usato il token AAD degli utenti nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni. |
register_azure_file_share |
Registrare una condivisione file di Azure nell'archivio dati. È possibile scegliere di usare token di firma di accesso condiviso o chiave dell'account di archiviazione |
register_azure_my_sql |
Inizializzare un nuovo archivio dati di Azure MySQL. L'archivio dati MySQL può essere usato solo per creare DataReference come input e output in DataTransferStep nelle pipeline di Azure Machine Learning. Altre informazioni sono disponibili qui. Per un esempio di come registrare un database Azure MySQL come archivio dati, vedere di seguito. |
register_azure_postgre_sql |
Inizializzare un nuovo archivio dati di Azure PostgreSQL. Per un esempio di come registrare un database di Azure PostgreSQL come archivio dati, vedere di seguito. |
register_azure_sql_database |
Inizializzare un nuovo archivio dati del database Azure SQL. L'accesso ai dati basato sulle credenziali (GA) e basato su identità (anteprima) è supportato, è possibile scegliere di usare Entità servizio o nome utente + password. Se non viene salvata alcuna credenziale con l'archivio dati, verrà usato il token AAD degli utenti nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni. Per un esempio di come registrare un database Azure SQL come archivio dati, vedere di seguito. |
register_dbfs |
Inizializzare un nuovo archivio dati DBFS (Databricks File System). L'archivio dati DBFS può essere usato solo per creare DataReference come input e PipelineData come output in DatabricksStep nelle pipeline di Azure Machine Learning. Altre informazioni sono disponibili qui. |
register_hdfs |
Nota Si tratta di un metodo sperimentale e può cambiare in qualsiasi momento. Per altre informazioni, vedere https://aka.ms/azuremlexperimental. Inizializzare un nuovo archivio dati HDFS. |
set_as_default |
Impostare l'archivio dati predefinito. |
unregister |
Annulla la registrazione dell'archivio dati. il servizio di archiviazione sottostante non verrà eliminato. |
get
Ottenere un archivio dati in base al nome. Equivale a chiamare il costruttore.
static get(workspace, datastore_name)
Parametri
- datastore_name
- str, <xref:optional>
Il nome dell'archivio dati, il valore predefinito è Nessuno, che ottiene l'archivio dati predefinito.
Restituisce
Archivio dati corrispondente per tale nome.
Tipo restituito
get_default
Ottenere l'archivio dati predefinito per l'area di lavoro.
static get_default(workspace)
Parametri
Restituisce
Archivio dati predefinito per l'area di lavoro
Tipo restituito
register_azure_blob_container
Registrare un contenitore BLOB di Azure nell'archivio dati.
Sono supportati l'accesso ai dati basato sulle credenziali (GA) e l'accesso ai dati basato su identità (anteprima), è possibile scegliere di usare il token di firma di accesso condiviso o la chiave dell'account di archiviazione. Se non vengono salvate credenziali con l'archivio dati, il token AAD degli utenti verrà usato nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni.
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)
Parametri
- datastore_name
- str
Il nome dell'archivio dati, senza distinzione tra maiuscole e minuscole, può contenere solo caratteri alfanumerici e _.
- sas_token
- str, <xref:optional>
Un token di firma di accesso condiviso dell'account, il valore predefinito è Nessuno. Per la lettura dei dati, sono necessarie almeno le autorizzazioni list & lettura per contenitori & oggetti e per la scrittura dei dati sono necessarie anche le autorizzazioni Write & Add.
- account_key
- str, <xref:optional>
Chiavi di accesso dell'account di archiviazione, il valore predefinito è Nessuno.
- protocol
- str, <xref:optional>
Protocollo da usare per connettersi al contenitore BLOB. Se Nessuno, per impostazione predefinita è https.
- endpoint
- str, <xref:optional>
Endpoint dell'account di archiviazione. Se Nessuno, per impostazione predefinita viene core.windows.net.
- overwrite
- bool, <xref:optional>
sovrascrive un archivio dati esistente. Se l'archivio dati non esiste, ne verrà creato uno, il valore predefinito è False
- create_if_not_exists
- bool, <xref:optional>
creare il contenitore BLOB se non esiste, il valore predefinito è False
- skip_validation
- bool, <xref:optional>
ignora la convalida delle chiavi di archiviazione, il valore predefinito è False
- blob_cache_timeout
- int, <xref:optional>
Quando questo BLOB viene montato, impostare il timeout della cache su questo numero di secondi. Se Nessuna, per impostazione predefinita non viene eseguito alcun timeout, ovvero i BLOB verranno memorizzati nella cache per la durata del processo durante la lettura.
- grant_workspace_access
- bool, <xref:optional>
Il valore predefinito è False. Impostare su True per accedere ai dati dietro la rete virtuale da Machine Learning Studio. In questo modo, l'accesso ai dati da Machine Learning Studio usa l'identità gestita dell'area di lavoro per l'autenticazione e aggiunge l'identità gestita dell'area di lavoro come lettore dell'archiviazione. È necessario essere proprietario o amministratore dell'accesso utente della risorsa di archiviazione per acconsentire esplicitamente. Chiedere all'amministratore di configurarlo se non si dispone dell'autorizzazione necessaria. Altre informazioni 'https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network'
- subscription_id
- str, <xref:optional>
L'ID sottoscrizione dell'account di archiviazione, il valore predefinito è Nessuno.
- resource_group
- str, <xref:optional>
Il gruppo di risorse dell'account di archiviazione, il valore predefinito è Nessuno.
Restituisce
Archivio dati BLOB.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa dall'area dell'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
register_azure_data_lake
Inizializzare un nuovo archivio dati di Azure Data Lake.
L'accesso ai dati basato su credenziali (GA) e identity based (anteprima) è supportato, è possibile registrare un archivio dati con entità servizio per l'accesso ai dati basati sulle credenziali. Se non viene salvata alcuna credenziale con l'archivio dati, verrà usato il token AAD degli utenti nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni.
Per un esempio di come registrare azure Data Lake Gen1 come archivio dati, vedere di seguito.
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)
Parametri
- tenant_id
- str, <xref:optional>
ID directory/ID tenant dell'entità servizio usata per accedere ai dati.
- client_id
- str, <xref:optional>
ID client/ID applicazione dell'entità servizio usata per accedere ai dati.
- client_secret
- str, <xref:optional>
Segreto client dell'entità servizio usata per accedere ai dati.
- resource_url
- str, <xref:optional>
L'URL della risorsa, che determina le operazioni che verranno eseguite nell'archivio Data Lake, se Nessuna, per https://datalake.azure.net/
impostazione predefinita, consente di eseguire operazioni del file system.
- authority_url
- str, <xref:optional>
L'URL dell'autorità usato per autenticare l'utente, per impostazione predefinita https://login.microsoftonline.com
è .
- subscription_id
- str, <xref:optional>
ID della sottoscrizione a cui appartiene l'archivio ADLS.
- resource_group
- str, <xref:optional>
Il gruppo di risorse a cui appartiene l'archivio ADLS.
- overwrite
- bool, <xref:optional>
Se sovrascrivere un archivio dati esistente. Se l'archivio dati non esiste, ne verrà creato uno. Il valore predefinito è False.
- grant_workspace_access
- bool, <xref:optional>
Il valore predefinito è False. Impostare su True per accedere ai dati dietro la rete virtuale da Machine Learning Studio. In questo modo, l'accesso ai dati da Machine Learning Studio usa l'identità gestita dell'area di lavoro per l'autenticazione e aggiunge l'identità gestita dell'area di lavoro come lettore dell'archiviazione. Per acconsentire esplicitamente, è necessario essere Proprietario o Amministratore accesso utenti dell'archiviazione. Chiedere all'amministratore di configurarlo se non si dispone dell'autorizzazione necessaria. Altre informazioni 'https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network'
Restituisce
Restituisce l'archivio dati di Azure Data Lake.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa dall'area dell'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
Nota
Azure Data Lake Datastore supporta il trasferimento dei dati ed esegue processi U-Sql tramite Pipeline di Azure Machine Learning.
È anche possibile usarlo come origine dati per il set di dati di Azure Machine Learning che può essere scaricato o montato in qualsiasi calcolo supportato.
register_azure_data_lake_gen2
Inizializzare un nuovo archivio dati di Azure Data Lake Gen2.
L'accesso ai dati basato su credenziali (GA) e identity based (anteprima) è supportato, è possibile registrare un archivio dati con entità servizio per l'accesso ai dati basati sulle credenziali. Se non viene salvata alcuna credenziale con l'archivio dati, verrà usato il token AAD degli utenti nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni.
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)
Parametri
- tenant_id
- str, <xref:optional>
ID directory/ID tenant dell'entità servizio.
- client_id
- str, <xref:optional>
ID client/ID applicazione dell'entità servizio.
- resource_url
- str, <xref:optional>
L'URL della risorsa, che determina le operazioni eseguite nell'archivio data lake, le impostazioni predefinite https://storage.azure.com/
consentono di eseguire operazioni di file system.
- authority_url
- str, <xref:optional>
URL dell'autorità usato per autenticare l'utente, impostazione predefinita su https://login.microsoftonline.com
.
- protocol
- str, <xref:optional>
Protocollo da usare per connettersi al contenitore BLOB. Se None, l'impostazione predefinita è https.
- endpoint
- str, <xref:optional>
Endpoint dell'account di archiviazione. Se None, il valore predefinito è core.windows.net.
- overwrite
- bool, <xref:optional>
Se sovrascrivere un archivio dati esistente. Se l'archivio dati non esiste, ne creerà uno. Il valore predefinito è False.
- subscription_id
- str, <xref:optional>
ID della sottoscrizione a cui appartiene l'archivio ADLS.
- resource_group
- str, <xref:optional>
Il gruppo di risorse a cui appartiene l'archivio ADLS.
- grant_workspace_access
- bool, <xref:optional>
Il valore predefinito è False. Impostare su True per accedere ai dati dietro la rete virtuale da Machine Learning Studio.In questo modo i dati da Machine Learning Studio usano l'identità gestita dell'area di lavoro per l'autenticazione e aggiunge l'identità gestita dell'area di lavoro come lettore dell'archiviazione. È necessario essere proprietario o amministratore dell'accesso utente dell'archiviazione per il consenso esplicito. Chiedere all'amministratore di configurarlo se non si dispone dell'autorizzazione necessaria. Altre informazioni 'https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network'
Restituisce
Restituisce l'archivio dati di Azure Data Lake Gen2.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa rispetto all'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
register_azure_file_share
Registrare una condivisione file di Azure nell'archivio dati.
È possibile scegliere di usare token di firma di accesso condiviso o chiave dell'account di archiviazione
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)
Parametri
- datastore_name
- str
Il nome dell'archivio dati, senza distinzione tra maiuscole e minuscole, può contenere solo caratteri alfanumerici e _.
- sas_token
- str, <xref:optional>
Token di firma di accesso condiviso dell'account, impostazione predefinita none. Per la lettura dei dati, è necessario un minimo di autorizzazioni di lettura & elenco per contenitori & oggetti e per la scrittura dei dati sono necessarie anche le autorizzazioni Write & Add.
- account_key
- str, <xref:optional>
Chiavi di accesso dell'account di archiviazione, impostazione predefinita none.
- protocol
- str, <xref:optional>
Protocollo da usare per connettersi alla condivisione file. Se None, l'impostazione predefinita è https.
- endpoint
- str, <xref:optional>
Endpoint della condivisione file. Se None, il valore predefinito è core.windows.net.
- overwrite
- bool, <xref:optional>
Se sovrascrivere un archivio dati esistente. Se l'archivio dati non esiste, ne creerà uno. Il valore predefinito è False.
- create_if_not_exists
- bool, <xref:optional>
Se creare la condivisione file se non esiste. Il valore predefinito è False.
- skip_validation
- bool, <xref:optional>
Se ignorare la convalida delle chiavi di archiviazione. Il valore predefinito è False.
Restituisce
Archivio dati file.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa rispetto all'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
register_azure_my_sql
Inizializzare un nuovo archivio dati di Azure MySQL.
L'archivio dati MySQL può essere usato solo per creare DataReference come input e output in DataTransferStep nelle pipeline di Azure Machine Learning. Altre informazioni sono disponibili qui.
Per un esempio di come registrare un database Azure MySQL come archivio dati, vedere di seguito.
static register_azure_my_sql(workspace, datastore_name, server_name, database_name, user_id, user_password, port_number=None, endpoint=None, overwrite=False, **kwargs)
Parametri
- endpoint
- str, <xref:optional>
Endpoint del server MySQL. Se None, il valore predefinito è mysql.database.azure.com.
- overwrite
- bool, <xref:optional>
Se sovrascrivere un archivio dati esistente. Se l'archivio dati non esiste, ne creerà uno. Il valore predefinito è False.
Restituisce
Restituisce l'archivio dati del database MySQL.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa rispetto all'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
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
Inizializzare un nuovo archivio dati di Azure PostgreSQL.
Per un esempio di come registrare un database di Azure PostgreSQL come archivio dati, vedere di seguito.
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)
Parametri
- endpoint
- str, <xref:optional>
Endpoint del server PostgreSQL. Se None, il valore predefinito è postgres.database.azure.com.
- overwrite
- bool, <xref:optional>
Se sovrascrivere un archivio dati esistente. Se l'archivio dati non esiste, ne creerà uno. Il valore predefinito è False.
- enforce_ssl
- bool
Indica il requisito SSL del server PostgreSQL. Impostazione predefinita su True.
Restituisce
Restituisce l'archivio dati del database PostgreSQL.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa rispetto all'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
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
Inizializzare un nuovo archivio dati del database Azure SQL.
L'accesso ai dati basato sulle credenziali (GA) e basato su identità (anteprima) è supportato, è possibile scegliere di usare Entità servizio o nome utente + password. Se non viene salvata alcuna credenziale con l'archivio dati, verrà usato il token AAD degli utenti nel notebook o nel programma Python locale se chiama direttamente una di queste funzioni: 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'identità della destinazione di calcolo verrà usata nei processi inviati da Experiment.submit per l'autenticazione dell'accesso ai dati. Fare clic qui per altre informazioni.
Per un esempio di come registrare un database Azure SQL come archivio dati, vedere di seguito.
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)
Parametri
- server_name
- str
Nome del server SQL. Per il nome di dominio completo come "sample.database.windows.net", il valore server_name deve essere "sample" e il valore dell'endpoint deve essere "database.windows.net".
- resource_url
- str, <xref:optional>
L'URL della risorsa, che determina le operazioni che verranno eseguite nell'archivio database SQL, se None, viene predefinito su https://database.windows.net/.
- authority_url
- str, <xref:optional>
URL dell'autorità usato per autenticare l'utente, impostazione predefinita su https://login.microsoftonline.com.
- endpoint
- str, <xref:optional>
Endpoint del server SQL. Se Nessuna, l'impostazione predefinita è database.windows.net.
- overwrite
- bool, <xref:optional>
Se sovrascrivere un archivio dati esistente. Se l'archivio dati non esiste, ne creerà uno. Il valore predefinito è False.
- username
- str
Nome utente dell'utente del database per accedere al database.
- skip_validation
- bool, <xref:optional>
Se ignorare la convalida della connessione al database SQL. Il valore predefinito è False.
- subscription_id
- str, <xref:optional>
ID della sottoscrizione a cui appartiene l'archivio ADLS.
- resource_group
- str, <xref:optional>
Il gruppo di risorse a cui appartiene l'archivio ADLS.
- grant_workspace_access
- bool, <xref:optional>
Il valore predefinito è False. Impostare su True per accedere ai dati dietro la rete virtuale da Machine Learning Studio.In questo modo i dati da Machine Learning Studio usano l'identità gestita dell'area di lavoro per l'autenticazione e aggiunge l'identità gestita dell'area di lavoro come lettore dell'archiviazione. È necessario essere proprietario o amministratore dell'accesso utente dell'archiviazione per il consenso esplicito. Chiedere all'amministratore di configurarlo se non si dispone dell'autorizzazione necessaria. Altre informazioni 'https://docs.microsoft.com/azure/machine-learning/how-to-enable-studio-virtual-network'
Restituisce
Restituisce l'archivio dati del database SQL.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa rispetto all'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
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
Inizializzare un nuovo archivio dati DBFS (Databricks File System).
L'archivio dati DBFS può essere usato solo per creare DataReference come input e PipelineData come output in DatabricksStep nelle pipeline di Azure Machine Learning. Altre informazioni sono disponibili qui.
static register_dbfs(workspace, datastore_name)
Parametri
Restituisce
Restituisce l'archivio dati DBFS.
Tipo restituito
Commenti
Se si collega l'archiviazione da un'area diversa rispetto all'area di lavoro, può comportare una latenza più elevata e costi aggiuntivi per l'utilizzo della rete.
register_hdfs
Nota
Si tratta di un metodo sperimentale e può cambiare in qualsiasi momento. Per altre informazioni, vedere https://aka.ms/azuremlexperimental.
Inizializzare un nuovo archivio dati 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)
Parametri
- protocol
- str oppure <xref:_restclient.models.enum>
Protocollo da usare quando si comunica con il cluster HDFS. http o https. I valori possibili includono: 'http', 'https'
- namenode_address
- str
Indirizzo IP o nome host DNS del nome HDFS. Facoltativamente include una porta.
- hdfs_server_certificate
- str, <xref:optional>
Percorso del certificato di firma TLS del nome HDFS, se si usa TLS con un certificato autofirmato.
- kerberos_keytab
- str, <xref:optional>
Percorso del file keytab contenente le chiavi corrispondenti all'entità Kerberos. Specificare questa opzione o una password.
- kerberos_password
- str, <xref:optional>
Password corrispondente all'entità Kerberos. Specificare questa opzione o il percorso di un file keytab.
- overwrite
- bool, <xref:optional>
sovrascrive un archivio dati esistente. Se l'archivio dati non esiste, ne creerà uno. Il valore predefinito è False.
set_as_default
Impostare l'archivio dati predefinito.
set_as_default()
Parametri
unregister
Annulla la registrazione dell'archivio dati. il servizio di archiviazione sottostante non verrà eliminato.
unregister()
Commenti e suggerimenti
https://aka.ms/ContentUserFeedback.
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedereInvia e visualizza il feedback per