read_files tabellvärdesfunktion

Gäller för: Databricks SQL Databricks Runtime 13.3 LTS och senare

Läser filer under en angivet plats och returnerar data i tabellformat.

Stöder läsning JSON, CSV, XML, TEXT, BINARYFILE, PARQUET, AVROoch ORC filformat. Kan identifiera filformatet automatiskt och härleda ett enhetligt schema för alla filer.

Syntax

read_files(path [, option_key => option_value ] [...])

Argument

Den här funktionen kräver namngivna parameteranrop för alternativnycklarna.

• path: A STRING med URI för platsen för data. Stöder läsning från Azure Data Lake Storage Gen2 ('abfss://'), S3 (s3://) och Google Cloud Storage ('gs://'). Kan innehålla globs. Mer information finns i Filidentifiering .
• option_key: Namnet på alternativet som ska konfigureras. Du måste använda backticks (') för alternativ som innehåller punkter (.).
• option_value: Ett konstant uttryck som alternativet ska anges till. Accepterar literaler och skalärfunktioner.

Returer

En tabell som består av data från filer som lästs under den angivna path.

Filidentifiering

read_files kan läsa en enskild fil eller läsa filer under en angivet katalog. read_files identifierar alla filer under den angivna katalogen rekursivt om inte en glob tillhandahålls, vilket instruerar read_files att upprepas i ett specifikt katalogmönster.

Filtrera kataloger eller filer med hjälp av globmönster

Globmönster kan användas för att filtrera kataloger och filer när de anges i sökvägen.

Mönster	beskrivning
?	Matchar ett enskilt tecken
*	Matchar noll eller fler tecken
[abc]	Matchar ett enskilt tecken från teckenuppsättningen {a,b,c}.
[a-z]	Matchar ett enskilt tecken från teckenområdet {a... z}.
[^a]	Matchar ett enskilt tecken som inte kommer från teckenuppsättningen eller intervallet {a}. Observera att ^ tecknet måste ske omedelbart till höger om den inledande hakparentesen.
{ab,cd}	Matchar en sträng från stränguppsättningen {ab, cd}.
{ab,c{de, fh}}	Matchar en sträng från stränguppsättningen {ab, cde, cfh}.

read_files använder Auto Loader strikt globber när du identifierar filer med globs. Detta konfigureras med alternativet useStrictGlobber . När den strikta globbern är inaktiverad släpps avslutande snedstreck (/) och ett stjärnmönster som /*/ kan expandera till att upptäcka flera kataloger. Se exemplen nedan för att se skillnaden i beteende.

Mönster	Filsökväg	Strikt globber inaktiverad	Strikt klotber aktiverat
/a/b	/a/b/c/file.txt	Ja	Ja
/a/b	/a/b_dir/c/file.txt	Nej	Nej
/a/b	/a/b.txt	Nej	Nej
/a/b/	/a/b.txt	Nej	Nej
/a/*/c/	/a/b/c/file.txt	Ja	Ja
/a/*/c/	/a/b/c/d/file.txt	Ja	Ja
/a/*/d/	/a/b/c/d/file.txt	Ja	Nej
/a/*/c/	/a/b/x/y/c/file.txt	Ja	Nej
/a/*/c	/a/b/c_file.txt	Ja	Nej
/a/*/c/	/a/b/c_file.txt	Ja	Nej
/a/*/c	/a/b/cookie/file.txt	Ja	Nej
/a/b*	/a/b.txt	Ja	Ja
/a/b*	/a/b/file.txt	Ja	Ja
/a/{0.txt,1.txt}	/a/0.txt	Ja	Ja
/a/*/{0.txt,1.txt}	/a/0.txt	Nej	Nej
/a/b/[cde-h]/i/	/a/b/c/i/file.txt	Ja	Ja

Schemahärledning

Schemat för filerna kan uttryckligen anges med read_files alternativet schema . När schemat inte har angetts read_files försöker du härleda ett enhetligt schema över de identifierade filerna, vilket kräver att alla filer läss om inte en LIMIT instruktion används. Även när du använder en LIMIT fråga kan en större uppsättning filer än vad som krävs läsas för att returnera ett mer representativt schema för data. Databricks lägger automatiskt till en LIMIT instruktion för SELECT frågor i notebook-filer och SQL-redigeraren om en användare inte har angett någon.

Alternativet schemaHints kan användas för att åtgärda delmängder av det härledda schemat. Mer information finns i Åsidosätta schemainferens med schematips.

A rescuedDataColumn tillhandahålls som standard för att rädda data som inte matchar schemat. Mer information finns i Vad är den räddade datakolumnen? Du kan släppa rescuedDataColumn alternativet genom att ange .schemaEvolutionMode => 'none'

Slutsatsdragning av partitionsschema

read_files kan också härleda partitioneringskolumner om filer lagras under Partitionerade kataloger i Hive-stil, dvs /column_name=column_value/. Om en schema anges använder de identifierade partitionskolumnerna de typer som anges i schema. Om partitionskolumnerna inte ingår i angivna schemaignoreras de härledda partitionskolumnerna.

Om det finns en kolumn i både partitionsschemat och i datakolumnerna används värdet som läse från partitionsvärdet i stället för datavärdet. Om du vill ignorera de värden som kommer från katalogen och använda datakolumnen kan du ange listan med partitionskolumner i en kommaavgränsad lista med alternativet partitionColumns .

Alternativet partitionColumns kan också användas för att instruera om read_files vilka identifierade kolumner som ska inkluderas i det slutliga härledda schemat. Om du anger en tom sträng ignoreras alla partitionskolumner.

Alternativet schemaHints kan också anges för att åsidosätta det härledda schemat för en partitionskolumn.

Formaten TEXT och BINARYFILE har ett fast schema, men read_files försöker också härleda partitionering för dessa format när det är möjligt.

Användning i strömningstabeller

read_files kan användas i strömmande tabeller för att mata in filer i Delta Lake. read_files utnyttjar automatisk inläsning när den används i en strömningstabellfråga. Du måste använda nyckelordet STREAM med read_files. Mer information finns i Vad är automatisk inläsning?

När det används i en direktuppspelningsfråga read_files använder du ett exempel på data för att härleda schemat och kan utveckla schemat när det bearbetar mer data. Mer information finns i Konfigurera schemainferens och utveckling i Auto Loader .

Alternativ

• Grundläggande alternativ
• Allmänna alternativ
• JSON Alternativ
• CSV Alternativ
• XML Alternativ
• PARQUET Alternativ
• AVRO Alternativ
• BINARYFILE Alternativ
• TEXT Alternativ
• ORC Alternativ
• Alternativ för direktuppspelning

Grundläggande alternativ

Alternativ
format Typ: String Datafilformatet i källsökvägen. Härleds automatiskt om det inte tillhandahålls. Tillåtna värden är: * avro: Avro-fil * binaryFile: Binär fil * csv: Läsa och skriva till CSV-filer * json: JSON-fil * orc: ORC-fil * parquet: Läsa Parquet-filer med Azure Databricks * text: Textfiler * xml: Läsa och skriva XML-filer Standardvärde: Ingen
inferColumnTypes Typ: Boolean Om du vill härleda exakta kolumntyper vid användning av schemainferens. Som standard härleds kolumner när JSON- och CSV-datauppsättningar härleds. Mer information finns i schemainferens . Observera att detta är motsatsen till standardvärdet för automatisk inläsning. Standardvärde: true
partitionColumns Typ: String En kommaavgränsad lista över Partitionskolumner i Hive-format som du vill härleda från filernas katalogstruktur. Partitionskolumner i Hive-format är nyckel/värde-par som kombineras med ett likhetstecken, till exempel <base-path>/a=x/b=1/c=y/file.format. I det här exemplet är apartitionskolumnerna , boch c. Som standard läggs dessa kolumner automatiskt till i schemat om du använder schemainferens och anger att <base-path> data ska läsas in från. Om du anger ett schema förväntar sig Auto Loader att dessa kolumner inkluderas i schemat. Om du inte vill att dessa kolumner ska ingå i schemat kan du ange "" att dessa kolumner ska ignoreras. Dessutom kan du använda det här alternativet när du vill att kolumner ska härledas till filsökvägen i komplexa katalogstrukturer, som exemplet nedan: <base-path>/year=2022/week=1/file1.csv <base-path>/year=2022/month=2/day=3/file2.csv <base-path>/year=2022/month=2/day=4/file3.csv cloudFiles.partitionColumns Ange som year,month,day returneras year=2022 för file1.csv, men kolumnerna month och day blir null. month och day parsas korrekt för file2.csv och file3.csv. Standardvärde: Ingen
schemaHints Typ: String Schemainformation som du anger för Automatisk inläsning under schemainferens. Mer information finns i schematips . Standardvärde: Ingen
useStrictGlobber Typ: Boolean Om du vill använda en strikt globber som matchar standardbeteendet för andra filkällor i Apache Spark. Mer information finns i Vanliga datainläsningsmönster . Finns i Databricks Runtime 12.2 LTS och senare. Observera att detta är motsatsen till standardvärdet för automatisk inläsning. Standardvärde: true

Allmänna alternativ

Följande alternativ gäller för alla filformat.

Alternativ
ignoreCorruptFiles Typ: Boolean Om du vill ignorera skadade filer. Om det är sant fortsätter Spark-jobben att köras när skadade filer påträffas och innehållet som har lästs returneras fortfarande. Kan observeras som numSkippedCorruptFiles i operationMetrics kolumn i Delta Lake-historiken. Finns i Databricks Runtime 11.3 LTS och senare. Standardvärde: false
ignoreMissingFiles Typ: Boolean Om du vill ignorera filer som saknas. Om det är sant fortsätter Spark-jobben att köras när filer saknas och innehållet som har lästs returneras fortfarande. Finns i Databricks Runtime 11.3 LTS och senare. Standardvärde: false (true för COPY INTO)
modifiedAfter Typ: Timestamp String, till exempel 2021-01-01 00:00:00.000000 UTC+0 En valfri tidsstämpel för att mata in filer som har en tidsstämpel för ändring efter den angivna tidsstämpeln. Standardvärde: Ingen
modifiedBefore Typ: Timestamp String, till exempel 2021-01-01 00:00:00.000000 UTC+0 En valfri tidsstämpel för att mata in filer som har en tidsstämpel för ändring före den angivna tidsstämpeln. Standardvärde: Ingen
pathGlobFilter eller fileNamePattern Typ: String Ett potentiellt globmönster för att välja filer. Motsvarar PATTERN i COPY INTO. fileNamePattern kan användas i read_files. Standardvärde: Ingen
recursiveFileLookup Typ: Boolean Om du vill hoppa över partitionsslutsats under schemainferens. Detta påverkar inte vilka filer som läses in. Standardvärde: false

JSON Alternativ

Alternativ
allowBackslashEscapingAnyCharacter Typ: Boolean Om du vill tillåta att omvänt snedstreck undfly alla tecken som lyckas. Om det inte är aktiverat kan endast tecken som uttryckligen anges av JSON-specifikationen undantagas. Standardvärde: false
allowComments Typ: Boolean Om du vill tillåta användning av Java-, C- och C++-formatkommentarer ('/', '*'och '//' sorter) inom parsat innehåll eller inte. Standardvärde: false
allowNonNumericNumbers Typ: Boolean Om du vill tillåta uppsättningen med token som inte är ett tal (NaN) som lagliga flytande talvärden. Standardvärde: true
allowNumericLeadingZeros Typ: Boolean Om du vill tillåta att heltal börjar med ytterligare (okunniga) nollor (till exempel 000001). Standardvärde: false
allowSingleQuotes Typ: Boolean Om du vill tillåta användning av enkla citattecken (apostrofer, tecken '\') för att citera strängar (namn och strängvärden). Standardvärde: true
allowUnquotedControlChars Typ: Boolean Om JSON-strängar ska tillåtas innehålla icke kapslade kontrolltecken (ASCII-tecken med ett värde som är mindre än 32, inklusive flik- och radmatningstecken) eller inte. Standardvärde: false
allowUnquotedFieldNames Typ: Boolean Om du vill tillåta användning av ociterade fältnamn (som tillåts av JavaScript, men inte av JSON-specifikationen). Standardvärde: false
badRecordsPath Typ: String Sökvägen till att lagra filer för att registrera information om felaktiga JSON-poster. Standardvärde: Ingen
columnNameOfCorruptRecord Typ: String Kolumnen för lagring av poster som är felaktiga och inte kan parsas. mode Om för parsning anges som DROPMALFORMEDär den här kolumnen tom. Standardvärde: _corrupt_record
dateFormat Typ: String Formatet för parsning av datumsträngar. Standardvärde: yyyy-MM-dd
dropFieldIfAllNull Typ: Boolean Om du vill ignorera kolumner med alla null-värden eller tomma matriser och structs under schemainferens. Standardvärde: false
encoding eller charset Typ: String Namnet på kodningen av JSON-filerna. Se java.nio.charset.Charset för lista över alternativ. Du kan inte använda UTF-16 och UTF-32 när multiline är true. Standardvärde: UTF-8
inferTimestamp Typ: Boolean Om du vill försöka härleda tidsstämpelsträngar som en TimestampType. När det är inställt på truekan schemainferensen ta märkbart längre tid. Du måste aktivera cloudFiles.inferColumnTypes för att kunna använda med automatisk inläsning. Standardvärde: false
lineSep Typ: String En sträng mellan två på varandra följande JSON-poster. Standardvärde: Ingen, som omfattar \r, \r\noch \n
locale Typ: String En java.util.Locale identifierare. Påverkar standarddatum, tidsstämpel och decimalparsning i JSON. Standardvärde: US
mode Typ: String Parsningsläge kring hantering av felaktiga poster. En av 'PERMISSIVE', 'DROPMALFORMED', eller 'FAILFAST'. Standardvärde: PERMISSIVE
multiLine Typ: Boolean Om JSON-posterna sträcker sig över flera rader. Standardvärde: false
prefersDecimal Typ: Boolean Försöker härleda strängar som DecimalType i stället för flyttal eller dubbel typ när det är möjligt. Du måste också använda schemainferens, antingen genom att aktivera inferSchema eller med automatisk cloudFiles.inferColumnTypes inläsning. Standardvärde: false
primitivesAsString Typ: Boolean Om du vill härleda primitiva typer som tal och booleska värden som StringType. Standardvärde: false
readerCaseSensitive Typ: Boolean Anger beteendet för skiftlägeskänslighet när rescuedDataColumn är aktiverat. Om det är sant kan du rädda de datakolumner vars namn skiljer sig från schemat. Annars läser du data på ett skiftlägesokänsligt sätt. Tillgänglig i Databricks Runtime 13.3 och senare. Standardvärde: true
rescuedDataColumn Typ: String Om du vill samla in alla data som inte kan parsas på grund av ett matchningsfel av datatyp eller schemamatchning (inklusive kolumnhölje) till en separat kolumn. Den här kolumnen ingår som standard när du använder Auto Loader. Mer information finns i Vad är den räddade datakolumnen?. Standardvärde: Ingen
timestampFormat Typ: String Formatet för att parsa tidsstämpelsträngar. Standardvärde: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]
timeZone Typ: String Att java.time.ZoneId använda vid parsning av tidsstämplar och datum. Standardvärde: Ingen

CSV Alternativ

Alternativ
badRecordsPath Typ: String Sökvägen till att lagra filer för att registrera information om felaktiga CSV-poster. Standardvärde: Ingen
charToEscapeQuoteEscaping Typ: Char Tecknet som används för att undkomma det tecken som används för att undvika citattecken. Till exempel för följande post: : [ " a\\", b ] * Om tecknet för att undkomma '\' är odefinierat parsas inte posten. Parsern läser tecken: [a],[\],["],[,],[ ],[b] och utlöser ett fel eftersom det inte kan hitta ett avslutande citattecken. * Om tecknet för att undkomma '\' definieras som '\', läss posten med 2 värden: [a\] och [b]. Standardvärde: '\0'
columnNameOfCorruptRecord > [! OBS! >> Stöds för automatisk inläsning. Stöds inte för COPY INTO. Typ: String Kolumnen för lagring av poster som är felaktiga och inte kan parsas. mode Om för parsning anges som DROPMALFORMEDär den här kolumnen tom. Standardvärde: _corrupt_record
comment Typ: Char Definierar det tecken som representerar en radkommentar när det hittas i början av en textrad. Använd '\0' för att inaktivera överhoppning av kommentarer. Standardvärde: '\u0000'
dateFormat Typ: String Formatet för parsning av datumsträngar. Standardvärde: yyyy-MM-dd
emptyValue Typ: String Strängrepresentation av ett tomt värde. Standardvärde: ""
encoding eller charset Typ: String Namnet på kodningen av CSV-filerna. Se java.nio.charset.Charset listan med alternativ. UTF-16 och UTF-32 kan inte användas när multiline är true. Standardvärde: UTF-8
enforceSchema Typ: Boolean Om du vill tillämpa det angivna eller härledda schemat med två två skäl på CSV-filerna. Om alternativet är aktiverat ignoreras rubrikerna för CSV-filer. Det här alternativet ignoreras som standard när du använder Auto Loader för att rädda data och tillåta schemautveckling. Standardvärde: true
escape Typ: Char Escape-tecknet som ska användas vid parsning av data. Standardvärde: '\'
header Typ: Boolean Om CSV-filerna innehåller ett huvud. Automatisk inläsning förutsätter att filer har rubriker när schemat härleds. Standardvärde: false
ignoreLeadingWhiteSpace Typ: Boolean Om du vill ignorera inledande blanksteg för varje parsat värde. Standardvärde: false
ignoreTrailingWhiteSpace Typ: Boolean Om du vill ignorera avslutande blanksteg för varje parsat värde. Standardvärde: false
inferSchema Typ: Boolean Om du vill härleda datatyperna för de parsade CSV-posterna eller anta att alla kolumner är av StringType. Kräver ytterligare en överströmning av data om det är inställt på true. Använd i stället för Automatisk inläsare cloudFiles.inferColumnTypes . Standardvärde: false
lineSep Typ: String En sträng mellan två på varandra följande CSV-poster. Standardvärde: Ingen, som omfattar \r, \r\noch \n
locale Typ: String En java.util.Locale identifierare. Påverkar standarddatum, tidsstämpel och decimalparsning i CSV. Standardvärde: US
maxCharsPerColumn Typ: Int Maximalt antal tecken som förväntas från ett värde att parsa. Kan användas för att undvika minnesfel. Standardvärdet -1är , vilket innebär obegränsat. Standardvärde: -1
maxColumns Typ: Int Den hårda gränsen för hur många kolumner en post kan ha. Standardvärde: 20480
mergeSchema Typ: Boolean Om schemat ska härledas mellan flera filer och om schemat för varje fil ska sammanfogas. Aktiverad som standard för automatisk inläsning när schemat härleds. Standardvärde: false
mode Typ: String Parsningsläge kring hantering av felaktiga poster. En av 'PERMISSIVE', 'DROPMALFORMED', och 'FAILFAST'. Standardvärde: PERMISSIVE
multiLine Typ: Boolean Om CSV-posterna sträcker sig över flera rader. Standardvärde: false
nanValue Typ: String Strängrepresentationen av ett värde som inte är ett tal vid parsning FloatType och DoubleType kolumner. Standardvärde: "NaN"
negativeInf Typ: String Strängrepresentationen av negativ oändlighet vid parsning FloatType eller DoubleType kolumner. Standardvärde: "-Inf"
nullValue Typ: String Strängrepresentation av ett null-värde. Standardvärde: ""
parserCaseSensitive (inaktuell) Typ: Boolean När du läser filer, om du vill justera kolumner som deklarerats i rubriken med schemafallet känsligt. Detta är true som standard för automatisk inläsning. Kolumner som skiljer sig åt efter skiftläge kommer att räddas i om det rescuedDataColumn är aktiverat. Det här alternativet har blivit inaktuellt till förmån readerCaseSensitiveför . Standardvärde: false
positiveInf Typ: String Strängrepresentationen av positiv oändlighet vid parsning FloatType eller DoubleType kolumner. Standardvärde: "Inf"
preferDate Typ: Boolean Försöker härleda strängar som datum i stället för tidsstämpel när det är möjligt. Du måste också använda schemainferens, antingen genom att aktivera inferSchema eller använda cloudFiles.inferColumnTypes med automatisk inläsning. Standardvärde: true
quote Typ: Char Tecknet som används för att ta bort värden där fältgränsaren är en del av värdet. Standardvärde: "
readerCaseSensitive Typ: Boolean Anger beteendet för skiftlägeskänslighet när rescuedDataColumn är aktiverat. Om det är sant kan du rädda de datakolumner vars namn skiljer sig från schemat. Annars läser du data på ett skiftlägesokänsligt sätt. Standardvärde: true
rescuedDataColumn Typ: String Om du vill samla in alla data som inte kan parsas på grund av: ett matchningsfel av datatyp och schemamatchningsfel (inklusive kolumnhölje) till en separat kolumn. Den här kolumnen ingår som standard när du använder Auto Loader. Mer information finns i Vad är den räddade datakolumnen?. Standardvärde: Ingen
sep eller delimiter Typ: String Avgränsarsträngen mellan kolumner. Standardvärde: ","
skipRows Typ: Int Antalet rader från början av CSV-filen som ska ignoreras (inklusive kommenterade och tomma rader). Om header är sant blir rubriken den första oskippna och okommenterade raden. Standardvärde: 0
timestampFormat Typ: String Formatet för att parsa tidsstämpelsträngar. Standardvärde: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]
timeZone Typ: String Att java.time.ZoneId använda vid parsning av tidsstämplar och datum. Standardvärde: Ingen
unescapedQuoteHandling Typ: String Strategin för hantering av ej kapslade citattecken. Tillåtna alternativ: * STOP_AT_CLOSING_QUOTE: Om ej kapslade citattecken hittas i indata ackumulerar du citattecknet och fortsätter att parsa värdet som ett citerat värde tills en avslutande offert hittas. * BACK_TO_DELIMITER: Om ej kapslade citattecken hittas i indata bör du betrakta värdet som ett icke-citattecken. Detta gör att parsern ackumulerar alla tecken i det aktuella parsade värdet tills avgränsaren som definieras av sep hittas. Om ingen avgränsare hittas i värdet fortsätter parsern att ackumulera tecken från indata tills en avgränsare eller radslut hittas. * STOP_AT_DELIMITER: Om ej kapslade citattecken hittas i indata bör du betrakta värdet som ett icke-citattecken. Detta gör att parsern ackumulerar alla tecken tills avgränsaren som definieras av sep, eller så hittas ett radslut i indata. * SKIP_VALUE: Om ej kapslade citattecken hittas i indata hoppas innehållet som parsas för det angivna värdet över (tills nästa avgränsare hittas) och värdet som anges i skapas i nullValue stället. * RAISE_ERROR: Om ej inkapslade citattecken hittas i indata TextParsingException kommer att kastas. Standardvärde: STOP_AT_DELIMITER

XML Alternativ

Alternativ	Description	Definitionsområde
rowTag	Radtaggen för XML-filerna som ska behandlas som en rad. I xml-exemplet <books> <book><book>...<books>är booklämpligt värde . Det här är ett obligatoriskt alternativ.	läsa
samplingRatio	Definierar en bråkdel av rader som används för schemainferens. Inbyggda XML-funktioner ignorerar det här alternativet. Standard: 1.0.	läsa
excludeAttribute	Om du vill exkludera attribut i element. Standard: false.	läsa
mode	Läge för att hantera skadade poster under parsning. PERMISSIVE: För skadade poster placerar du den felaktiga strängen i ett fält som konfigurerats av columnNameOfCorruptRecordoch anger felaktiga fält till null. Om du vill behålla skadade poster kan du ange ett string typfält med namnet columnNameOfCorruptRecord i ett användardefinierat schema. Om ett schema inte har fältet tas skadade poster bort under parsningen. När du härleder ett schema lägger parsern implicit till ett columnNameOfCorruptRecord fält i ett utdataschema. DROPMALFORMED: Ignorerar skadade poster. Det här läget stöds inte för inbyggda XML-funktioner. FAILFAST: Utlöser ett undantag när parsern möter skadade poster.	läsa
inferSchema	Om trueförsöker du härleda en lämplig typ för varje resulterande DataFrame-kolumn. Om falseär alla resulterande kolumner av string typen . Standardvärde: true. Inbyggda XML-funktioner ignorerar det här alternativet.	läsa
columnNameOfCorruptRecord	Tillåter namnbyte av det nya fältet som innehåller en felaktigt formaterad sträng som skapats av PERMISSIVE läge. Standard: spark.sql.columnNameOfCorruptRecord.	läsa
attributePrefix	Prefixet för attribut för att skilja attribut från element. Det här är prefixet för fältnamn. Standard är _. Kan vara tomt för läsning av XML, men inte för skrivning.	läsa, skriva
valueTag	Taggen som används för teckendata i element som också har attribut eller underordnade element. Användaren kan ange fältet valueTag i schemat eller så läggs det till automatiskt under schemainferensen när teckendata finns i element med andra element eller attribut. Standard: _VALUE	read,write
encoding	För läsning avkodar XML-filerna efter den angivna kodningstypen. För skrivning anger kodning (teckenuppsättning) för sparade XML-filer. Inbyggda XML-funktioner ignorerar det här alternativet. Standard: UTF-8.	läsa, skriva
ignoreSurroundingSpaces	Definierar om omgivande blanksteg från värden som ska läsas ska hoppas över. Standard: true. Teckendata för endast blanksteg ignoreras.	läsa
rowValidationXSDPath	Sökväg till en valfri XSD-fil som används för att verifiera XML för varje rad individuellt. Rader som inte kan verifieras behandlas som parsningsfel som ovan. XSD påverkar inte det angivna eller härledda schemat på något annat sätt.	läsa
ignoreNamespace	Om trueignoreras namnrymdernas prefix för XML-element och attribut. Taggar <abc:author> och <def:author>, till exempel, behandlas som om båda bara <author>är . Det går inte att ignorera namnrymder på elementet rowTag , bara dess läs underordnade. XML-parsning är inte namnområdesmedveten även om false. Standard: false.	läsa
timestampFormat	Anpassad tidsstämpelformatsträng som följer datetime-mönsterformatet . Detta gäller för timestamp typ. Standard: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX].	läsa, skriva
timestampNTZFormat	Anpassad formatsträng för tidsstämpel utan tidszon som följer datetime-mönsterformatet. Detta gäller för timestampNTZType-typen. Standardvärde: yyyy-MM-dd'T'HH:mm:ss[.SSS]	läsa, skriva
dateFormat	Anpassad datumformatsträng som följer datetime-mönsterformatet. Detta gäller för datumtyp. Standard: yyyy-MM-dd.	läsa, skriva
locale	Anger ett språkspråk som en språktagg i IETF BCP 47-format. Används till exempel locale vid parsning av datum och tidsstämplar. Standard: en-US.	läsa
rootTag	Rottagg för XML-filerna. I är bookstill exempel <books> <book><book>...</books>lämpligt värde . Du kan inkludera grundläggande attribut genom att ange ett värde som books foo="bar". Standard: ROWS.	skriva
declaration	Innehållet i XML-deklarationen som ska skrivas i början av varje XML-utdatafil före rootTag. Till exempel ett värde för foo orsaker <?xml foo?> som ska skrivas. Ange till en tom sträng som ska ignoreras. Standard: version="1.0" encoding="UTF-8" standalone="yes".	skriva
arrayElementName	Namn på XML-element som omger varje element i en matrisvärdeskolumn när du skriver. Standard: item.	skriva
nullValue	Anger strängrepresentationen av ett null-värde. Standard: sträng null. När detta är nullskriver parsern inte attribut och element för fält.	läsa, skriva
compression	Komprimeringskod som ska användas när du sparar till filen. Detta kan vara ett av de kända skiftlägesokänsliga förkortade namnen (none, bzip2, gzip,lz4, snappy', and<br>deflate'). Inbyggda XML-funktioner ignorerar det här alternativet. Standard: none.	skriva
validateName	Om det är sant utlöser ett fel vid verifiering av XML-elementnamn. SQL-fältnamn kan till exempel ha blanksteg, men det går inte att använda XML-elementnamn. Standardvärde: true.	skriva
readerCaseSensitive	Anger beteendet för skiftlägeskänslighet när rescuedDataColumn är aktiverat. Om det är sant kan du rädda de datakolumner vars namn skiljer sig från schemat. Annars läser du data på ett skiftlägesokänsligt sätt. Standard: true.	läsa
rescuedDataColumn	Om du vill samla in alla data som inte kan parsas på grund av ett matchningsfel av datatyp och schemamatchning (inklusive kolumnhölje) till en separat kolumn. Den här kolumnen ingår som standard när du använder Auto Loader. Mer information finns i Vad är den räddade datakolumnen?. Standard: Ingen.	läsa

PARQUET Alternativ

Alternativ
datetimeRebaseMode Typ: String Styr ombaseringen av DATE- och TIMESTAMP-värdena mellan julianska och proleptiska gregorianska kalendrar. Tillåtna värden: EXCEPTION, LEGACYoch CORRECTED. Standardvärde: LEGACY
int96RebaseMode Typ: String Styr ombaseringen av INT96-tidsstämpelvärdena mellan julianska och proleptiska gregorianska kalendrar. Tillåtna värden: EXCEPTION, LEGACYoch CORRECTED. Standardvärde: LEGACY
mergeSchema Typ: Boolean Om schemat ska härledas mellan flera filer och om schemat för varje fil ska sammanfogas. Standardvärde: false
readerCaseSensitive Typ: Boolean Anger beteendet för skiftlägeskänslighet när rescuedDataColumn är aktiverat. Om det är sant kan du rädda de datakolumner vars namn skiljer sig från schemat. Annars läser du data på ett skiftlägesokänsligt sätt. Standardvärde: true
rescuedDataColumn Typ: String Om du vill samla in alla data som inte kan parsas på grund av: ett matchningsfel av datatyp och schemamatchningsfel (inklusive kolumnhölje) till en separat kolumn. Den här kolumnen ingår som standard när du använder Auto Loader. Mer information finns i Vad är den räddade datakolumnen?. Standardvärde: Ingen

AVRO Alternativ

Alternativ
avroSchema Typ: String Valfritt schema som tillhandahålls av en användare i Avro-format. När du läser Avro kan det här alternativet ställas in på ett utvecklat schema, som är kompatibelt men annorlunda med det faktiska Avro-schemat. Deserialiseringsschemat överensstämmer med det utvecklade schemat. Om du till exempel anger ett schema som innehåller ytterligare en kolumn med ett standardvärde innehåller läsresultatet även den nya kolumnen. Standardvärde: Ingen
datetimeRebaseMode Typ: String Styr ombaseringen av DATE- och TIMESTAMP-värdena mellan julianska och proleptiska gregorianska kalendrar. Tillåtna värden: EXCEPTION, LEGACYoch CORRECTED. Standardvärde: LEGACY
mergeSchema Typ: Boolean Om schemat ska härledas mellan flera filer och om schemat för varje fil ska sammanfogas. mergeSchema för Avro slappnar inte av datatyper. Standardvärde: false
readerCaseSensitive Typ: Boolean Anger beteendet för skiftlägeskänslighet när rescuedDataColumn är aktiverat. Om det är sant kan du rädda de datakolumner vars namn skiljer sig från schemat. Annars läser du data på ett skiftlägesokänsligt sätt. Standardvärde: true
rescuedDataColumn Typ: String Om du vill samla in alla data som inte kan parsas på grund av: ett matchningsfel av datatyp och schemamatchningsfel (inklusive kolumnhölje) till en separat kolumn. Den här kolumnen ingår som standard när du använder Auto Loader. Mer information finns i Vad är den räddade datakolumnen?. Standardvärde: Ingen

BINARYFILE Alternativ

Binära filer har inga ytterligare konfigurationsalternativ.

TEXT Alternativ

Alternativ
encoding Typ: String Namnet på kodningen av TEXT-filerna. Se java.nio.charset.Charset för lista över alternativ. Standardvärde: UTF-8
lineSep Typ: String En sträng mellan två textposter i följd. Standardvärde: Ingen, som omfattar \r, \r\n och \n
wholeText Typ: Boolean Om du vill läsa en fil som en enda post. Standardvärde: false

ORC Alternativ

Alternativ
mergeSchema Typ: Boolean Om schemat ska härledas mellan flera filer och om schemat för varje fil ska sammanfogas. Standardvärde: false

Alternativ för direktuppspelning

De här alternativen gäller när du använder read_files i en direktuppspelningstabell eller en direktuppspelningsfråga.

Alternativ
allowOverwrites Typ: Boolean Om filer som har ändrats efter identifieringen ska bearbetas igen. Den senaste tillgängliga versionen av filen bearbetas under en uppdatering om den har ändrats sedan den senaste lyckade uppdateringsfrågans starttid. Standardvärde: false
includeExistingFiles Typ: Boolean Om du vill inkludera befintliga filer i indatasökvägen för dataströmbearbetning eller endast bearbeta nya filer som kommer efter den första installationen. Det här alternativet utvärderas endast när du startar en dataström för första gången. Att ändra det här alternativet efter att strömmen har startats om har ingen effekt. Standardvärde: true
maxBytesPerTrigger Typ: Byte String Det maximala antalet nya byte som ska bearbetas i varje utlösare. Du kan ange en bytesträng, till exempel 10g för att begränsa varje mikrobatch till 10 GB data. Detta är ett mjukt maxvärde. Om du har filer som är 3 GB vardera bearbetar Azure Databricks 12 GB i en mikrobatch. När det används tillsammans med maxFilesPerTriggerförbrukar Azure Databricks upp till den lägre gränsen maxFilesPerTrigger på eller maxBytesPerTrigger, beroende på vilket som uppnås först. Obs! För strömmande tabeller som skapats på serverlösa SQL-lager bör det här alternativet och maxFilesPerTrigger inte ställas in för att utnyttja dynamisk antagningskontroll, som skalar efter arbetsbelastningsstorlek och serverlösa beräkningsresurser för att ge dig bästa svarstid och prestanda. Standardvärde: Ingen
maxFilesPerTrigger Typ: Integer Det maximala antalet nya filer som ska bearbetas i varje utlösare. När det används tillsammans med maxBytesPerTriggerförbrukar Azure Databricks upp till den lägre gränsen maxFilesPerTrigger på eller maxBytesPerTrigger, beroende på vilket som uppnås först. Obs! För strömmande tabeller som skapats på serverlösa SQL-lager bör det här alternativet och maxBytesPerTrigger inte ställas in för att utnyttja dynamisk antagningskontroll, som skalar efter arbetsbelastningsstorlek och serverlösa beräkningsresurser för att ge dig bästa svarstid och prestanda. Standardvärde: 1 000
schemaEvolutionMode Typ: String Läget för att utveckla schemat när nya kolumner identifieras i data. Som standard härleds kolumner som strängar när JSON-datauppsättningar härleds. Mer information finns i schemautveckling . Det här alternativet gäller inte för text filer och binaryFile filer. Standardvärde: "addNewColumns" när ett schema inte har angetts. "none" annars.
schemaLocation Typ: String Platsen där du vill lagra det härledda schemat och efterföljande ändringar. Mer information finns i schemainferens . Schemaplatsen krävs inte när den används i en strömningstabellfråga. Standardvärde: Ingen

Exempel

-- Reads the files available in the given path. Auto-detects the format and schema of the data.
> SELECT * FROM read_files('abfss://container@storageAccount.dfs.core.windows.net/base/path');

-- Reads the headerless CSV files in the given path with the provided schema.
> SELECT * FROM read_files(
    's3://bucket/path',
    format => 'csv',
    schema => 'id int, ts timestamp, event string');

-- Infers the schema of CSV files with headers. Because the schema is not provided,
-- the CSV files are assumed to have headers.
> SELECT * FROM read_files(
    's3://bucket/path',
    format => 'csv')

-- Reads files that have a csv suffix.
> SELECT * FROM read_files('s3://bucket/path/*.csv')

-- Reads a single JSON file
> SELECT * FROM read_files(
    'abfss://container@storageAccount.dfs.core.windows.net/path/single.json')

-- Reads JSON files and overrides the data type of the column `id` to integer.
> SELECT * FROM read_files(
    's3://bucket/path',
    format => 'json',
    schemaHints => 'id int')

-- Reads files that have been uploaded or modified yesterday.
> SELECT * FROM read_files(
    'gs://my-bucket/avroData',
    modifiedAfter => date_sub(current_date(), 1),
    modifiedBefore => current_date())

-- Creates a Delta table and stores the source file path as part of the data
> CREATE TABLE my_avro_data
  AS SELECT *, _metadata.file_path
  FROM read_files('gs://my-bucket/avroData')

-- Creates a streaming table that processes files that appear only after the table's creation.
-- The table will most likely be empty (if there's no clock skew) after being first created,
-- and future refreshes will bring new data in.
> CREATE OR REFRESH STREAMING TABLE avro_data
  AS SELECT * FROM STREAM read_files('gs://my-bucket/avroData', includeExistingFiles => false);

Relaterade artiklar

• SKAPA DIREKTUPPSPELNINGSTABELL
• read_kafka tabellvärdesfunktion