Parquet-format i Azure Data Factory och Azure Synapse Analytics

Artikel
12/09/2023

GÄLLER FÖR: Azure Data Factory Azure Synapse Analytics

Dricks

Prova Data Factory i Microsoft Fabric, en allt-i-ett-analyslösning för företag. Microsoft Fabric omfattar allt från dataflytt till datavetenskap, realtidsanalys, business intelligence och rapportering. Lär dig hur du startar en ny utvärderingsversion kostnadsfritt!

Följ den här artikeln när du vill parsa Parquet-filerna eller skriva data i Parquet-format.

Parquet-format stöds för följande anslutningsappar:

En lista över funktioner som stöds för alla tillgängliga anslutningsappar finns i artikeln översikt över Anslut orer.

Använda lokalt installerad integrationskörning

Viktigt!

För kopiering som tillhandahålls av lokalt installerad integrationskörning, t.ex. mellan lokala datalager och molndatalager, måste du installera 64-bitars JRE 8 (Java Runtime Environment) eller OpenJDK på din IR-dator om du inte kopierar Parquet-filer som de är. Kontrollera följande stycke med mer information.

För kopiering som körs på lokalt installerad IR med Parquet-filserialisering/deserialisering letar tjänsten upp Java-körningen genom att först kontrollera registret (SOFTWARE\JavaSoft\Java Runtime Environment\{Current Version}\JavaHome) för JRE, om det inte hittas, för det andra genom att kontrollera systemvariabeln JAVA_HOME för OpenJDK.

För att kunna använda JRE: 64-bitars IR kräver 64-bitars JRE. Du hittar den härifrån.
Så här använder du OpenJDK: Det stöds sedan IR version 3.13. Paketera jvm.dll med alla andra nödvändiga sammansättningar av OpenJDK till en lokalt installerad IR-dator och ange systemmiljövariabeln JAVA_HOME därefter och starta sedan om lokalt installerad IR för att börja gälla omedelbart.

Dricks

Om du kopierar data till/från Parquet-format med hjälp av lokalt installerad integrationskörning och stöter på felet "Ett fel uppstod när java anropades, meddelande: java.lang.OutOfMemoryError:Java heap space", kan du lägga till en miljövariabel _JAVA_OPTIONS på datorn som är värd för lokalt installerad IR för att justera minsta/max-heapstorleken för JVM för att ge en sådan kopia och sedan köra pipelinen igen.

Set JVM heap size on Self-hosted IR

Exempel: ange variabel med _JAVA_OPTIONS värdet -Xms256m -Xmx16g. Flaggan Xms anger den första minnesallokeringspoolen för en virtuell Java-dator (JVM) och Xmx anger den maximala minnesallokeringspoolen. Det innebär att JVM startas med Xms mycket minne och kan använda maximalt Xmx mycket minne. Som standard använder tjänsten min 64 MB och max 1G.

Egenskaper för datauppsättning

En fullständig lista över avsnitt och egenskaper som är tillgängliga för att definiera datauppsättningar finns i artikeln Datauppsättningar . Det här avsnittet innehåller en lista över egenskaper som stöds av Parquet-datauppsättningen.

Property	Beskrivning	Obligatoriskt
type	Datamängdens typegenskap måste anges till Parquet.	Ja
plats	Platsinställningar för filen eller filerna. Varje filbaserad anslutningsapp har en egen platstyp och egenskaper som stöds under `location`. Mer information finns i artikeln om anslutningsappar –> avsnittet Egenskaper för datauppsättning.	Ja
compressionCodec	Komprimeringskodcen som ska användas när du skriver till Parquet-filer. När du läser från Parquet-filer avgör datafabriker automatiskt komprimeringskodcen baserat på filmetadata. Typer som stöds är "none", "gzip", "snappy" (standard) och "lzo". Observera att aktiviteten Kopiera för närvarande inte stöder LZO när du läser/skriver Parquet-filer.	Nej

Kommentar

Tomt utrymme i kolumnnamnet stöds inte för Parquet-filer.

Nedan visas ett exempel på Parquet-datamängd på Azure Blob Storage:

{
    "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"
        }
    }
}

Kopiera egenskaper för aktivitet

En fullständig lista över avsnitt och egenskaper som är tillgängliga för att definiera aktiviteter finns i artikeln Pipelines . Det här avsnittet innehåller en lista över egenskaper som stöds av Parquet-källan och mottagaren.

Parquet som källa

Följande egenskaper stöds i avsnittet kopieringsaktivitet *källa* .

Property	Beskrivning	Obligatoriskt
type	Typegenskapen för kopieringsaktivitetskällan måste anges till ParquetSource.	Ja
store Inställningar	En grupp med egenskaper för hur du läser data från ett datalager. Varje filbaserad anslutningsapp har egna läsinställningar som stöds under `storeSettings`. Mer information finns i artikeln om anslutningsappar –> aktiviteten Kopiera egenskaper.	Nej

Parquet som mottagare

Följande egenskaper stöds i avsnittet kopieringsaktivitet *mottagare* .

Property	Beskrivning	Obligatoriskt
type	Typegenskapen för kopieringsaktivitetsmottagaren måste anges till ParquetSink.	Ja
format Inställningar	En grupp med egenskaper. Se tabellen För parquet-skrivinställningar nedan.	Nej
store Inställningar	En grupp med egenskaper för hur du skriver data till ett datalager. Varje filbaserad anslutningsapp har egna skrivinställningar som stöds under `storeSettings`. Mer information finns i artikeln om anslutningsappar –> aktiviteten Kopiera egenskaper.	Nej

Parquet-skrivinställningar som stöds under formatSettings:

Property	Beskrivning	Obligatoriskt
type	Typ av format Inställningar måste anges till ParquetWrite Inställningar.	Ja
maxRowsPerFile	När du skriver data till en mapp kan du välja att skriva till flera filer och ange maximalt antal rader per fil.	Nej
fileNamePrefix	Tillämpligt när `maxRowsPerFile` har konfigurerats. Ange filnamnsprefixet när du skriver data till flera filer, vilket resulterade i det här mönstret: `<fileNamePrefix>_00000.<fileExtension>`. Om det inte anges genereras filnamnsprefixet automatiskt. Den här egenskapen gäller inte när källan är filbaserad lagring eller partitionsalternativaktiverat datalager.	Nej

Mappa dataflödesegenskaper

När du mappar dataflöden kan du läsa och skriva till parquet-format i följande datalager: Azure Blob Storage, Azure Data Lake Storage Gen1, Azure Data Lake Storage Gen2 och SFTP, och du kan läsa parquet-format i Amazon S3.

Källegenskaper

Tabellen nedan visar de egenskaper som stöds av en parquet-källa. Du kan redigera dessa egenskaper på fliken Källalternativ .

Name	beskrivning	Obligatoriskt	Tillåtna värden	Egenskap för dataflödesskript
Format	Formatet måste vara `parquet`	ja	`parquet`	format
Sökvägar för jokertecken	Alla filer som matchar sökvägen för jokertecken bearbetas. Åsidosätter den mapp och filsökväg som angetts i datauppsättningen.	no	Sträng[]	wildcardPaths
Partitionsrotsökväg	För fildata som är partitionerade kan du ange en partitionsrotsökväg för att läsa partitionerade mappar som kolumner	no	String	partitionRootPath
Lista över filer	Om källan pekar på en textfil som visar filer som ska bearbetas	no	`true` eller `false`	Filförteckning
Kolumn för att lagra filnamn	Skapa en ny kolumn med källfilens namn och sökväg	no	String	rowUrlColumn
Efter slutförande	Ta bort eller flytta filerna efter bearbetningen. Filsökvägen startar från containerroten	no	Ta bort: `true` eller `false` Flytta: `[<from>, <to>]`	purgeFiles moveFiles
Filtrera efter senast ändrad	Välj att filtrera filer baserat på när de senast ändrades	no	Tidsstämpel	modifiedAfter modifiedBefore
Tillåt att inga filer hittas	Om sant utlöses inte ett fel om inga filer hittas	no	`true` eller `false`	ignoreNoFilesFound

Källexempel

Bilden nedan är ett exempel på en parquet-källkonfiguration i mappning av dataflöden.

Parquet source

Det associerade dataflödesskriptet är:

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

Egenskaper för mottagare

Tabellen nedan visar de egenskaper som stöds av en parquet-mottagare. Du kan redigera dessa egenskaper på fliken Inställningar.

Name	beskrivning	Obligatoriskt	Tillåtna värden	Egenskap för dataflödesskript
Format	Formatet måste vara `parquet`	ja	`parquet`	format
Rensa mappen	Om målmappen rensas före skrivning	no	`true` eller `false`	trunkera
Filnamnsalternativ	Namngivningsformatet för de data som skrivits. Som standard är en fil per partition i format `part-#####-tid-<guid>`	no	Mönster: Sträng Per partition: String[] Som data i kolumnen: Sträng Utdata till en enskild fil: `['<fileName>']`	filePattern partitionFileNames rowUrlColumn partitionFileNames

Exempel på mottagare

Bilden nedan är ett exempel på en parquet-mottagarkonfiguration i mappning av dataflöden.

Parquet sink