Not
Bu sayfaya erişim yetkilendirme gerektiriyor. Oturum açmayı veya dizinleri değiştirmeyi deneyebilirsiniz.
Bu sayfaya erişim yetkilendirme gerektiriyor. Dizinleri değiştirmeyi deneyebilirsiniz.
Azure Databricks'te aşağıdaki konumlardaki dosyalarla etkileşime yönelik birden çok yardımcı program ve API vardır:
- Unity Kataloğu birimleri
- Çalışma alanı dosyaları
- Bulut nesne depolaması
- DBFS bağlamaları ve DBFS kökü
- Kümenin sürücü düğümüne bağlı kısa ömürlü depolama
Bu makalede, aşağıdaki araçlar için bu konumlardaki dosyalarla etkileşime yönelik örnekler verilmiştir:
- Apache Spark
- Spark SQL ve Databricks SQL
- Databricks dosya sistemi yardımcı programları (
dbutils.fs
veya%fs
) - Databricks Komut Satırı Arayüzü (CLI)
- Databricks REST API
- Bash kabuk komutları (
%sh
) -
%pip
kullanılarak defter odaklı kütüphane yüklemeleri - Pandalar
- OSS Python dosya yönetimi ve işleme yardımcı programları
Önemli
Databricks'teki bazı işlemler, özellikle Java veya Scala kitaplıklarını kullanan işlemler JVM işlemleri olarak çalışır, örneğin:
- Spark yapılandırmalarında kullanarak
--jars
JAR dosyası bağımlılığı belirtme - Scala defterlerinde
cat
veyajava.io.File
çağırma - Özel veri kaynakları, örneğin
spark.read.format("com.mycompany.datasource")
-
FileInputStream
veyaPaths.get()
kullanarak Java ile dosya yükleyen kütüphaneler
Bu işlemler, gibi /Volumes/my-catalog/my-schema/my-volume/my-file.csv
standart dosya yollarını kullanarak Unity Kataloğu birimlerinden veya çalışma alanı dosyalarından okumayı veya bu birimlere yazmayı desteklemez. JAR bağımlılıklarından veya JVM tabanlı kitaplıklardan birim dosyalarına veya çalışma alanı dosyalarına erişmeniz gerekiyorsa, python veya %sh
gibi %sh mv.
komutları kullanarak yerel depolamayı hesaplamak için önce dosyaları kopyalayın. JVM'yi kullanan %fs
ve dbutils.fs
kullanmayın. Yerel olarak zaten kopyalanmış dosyalara erişmek için Python shutil
gibi dile özgü komutları veya %sh
komutlarını kullanın. Küme başlatma sırasında bir dosyanın mevcut olması gerekiyorsa, önce dosyayı taşımak için bir init betiği kullanın. Bkz. Başlatma betikleri nelerdir?.
Verilere erişmek için bir URI düzeni sağlamam gerekiyor mu?
Azure Databricks'teki veri erişim yolları aşağıdaki standartlardan birini izler:
URI stili yollar bir URI düzeni içerir. Databricks'e özel veri erişim çözümleri için URI düzenleri çoğu kullanım örneğinde isteğe bağlıdır. Bulut nesne depolamadaki verilere doğrudan erişirken, depolama türü için doğru URI düzenini sağlamanız gerekir.
POSIX stili yollar sürücü köküne (
/
) göre veri erişimi sağlar. POSIX stili yollar hiçbir zaman bir düzen gerektirmez. Bulut nesne depolamadaki verilere POSIX stilinde erişim sağlamak için Unity Kataloğu birimlerini veya DBFS bağlamalarını kullanabilirsiniz. Birçok ML çerçevesi ve diğer OSS Python modülleri FUSE gerektirir ve yalnızca POSIX stili yolları kullanabilir.POSIX yolları diyagramı
Not
FUSE veri erişimi gerektiren dosya işlemleri URI'leri kullanarak bulut nesne depolamaya doğrudan erişemez. Databricks, FUSE için bu konumlara erişimi yapılandırmak için Unity Kataloğu birimlerinin kullanılmasını önerir.
Ayrılmış erişim modu (eski adıyla tek kullanıcı erişim modu) ve Databricks Runtime 14.3 ve üzeri ile yapılandırılan işlemde Scala, Scala komutu "cat /Volumes/path/to/file".!!
gibi Scala'dan kaynaklanan alt işlemler dışında Unity Kataloğu birimleri ve çalışma alanı dosyaları için FUSE'yi destekler.
Unity Kataloğu birimlerindeki dosyalarla çalışma
Databricks, bulut nesne depolama alanında depolanan tablosal olmayan veri dosyalarına erişimi yapılandırmak için Unity Kataloğu birimlerinin kullanılmasını önerir. Bkz. Unity Kataloğu birimleri nelerdir?.
Araç | Örnek |
---|---|
Apache Spark | spark.read.format("json").load("/Volumes/my_catalog/my_schema/my_volume/data.json").show() |
Spark SQL ve Databricks SQL | SELECT * FROM csv.`/Volumes/my_catalog/my_schema/my_volume/data.csv`; LIST '/Volumes/my_catalog/my_schema/my_volume/'; |
Databricks dosya sistemi yardımcı programları | dbutils.fs.ls("/Volumes/my_catalog/my_schema/my_volume/") %fs ls /Volumes/my_catalog/my_schema/my_volume/ |
Databricks Komut Satırı Arayüzü (CLI) | databricks fs cp /path/to/local/file dbfs:/Volumes/my_catalog/my_schema/my_volume/ |
Databricks REST API | POST https://<databricks-instance>/api/2.1/jobs/create {"name": "A multitask job", "tasks": [{..."libraries": [{"jar": "/Volumes/dev/environment/libraries/logging/Logging.jar"}],},...]} |
Bash kabuk dili komutları | %sh curl http://<address>/text.zip -o /Volumes/my_catalog/my_schema/my_volume/tmp/text.zip |
Kütüphane kurulumu | %pip install /Volumes/my_catalog/my_schema/my_volume/my_library.whl |
Pandalar | df = pd.read_csv('/Volumes/my_catalog/my_schema/my_volume/data.csv') |
Açık Kaynak Yazılım Python | os.listdir('/Volumes/my_catalog/my_schema/my_volume/path/to/directory') |
Not
Databricks CLI ile çalışırken dbfs:/
düzeni gereklidir.
Hacim sınırlamaları
Hacimlerin aşağıdaki sınırlamaları vardır:
Zip ve Excel dosyaları yazma gibi doğrudan ekleme veya sıralı olmayan (rastgele) yazma işlemleri desteklenmez. Doğrudan ekleme veya rastgele yazma iş yükleri için, önce yerel diskte işlemleri gerçekleştirin ve ardından sonuçları Unity Kataloğu birimlerine kopyalayın. Mesela:
# python import xlsxwriter from shutil import copyfile workbook = xlsxwriter.Workbook('/local_disk0/tmp/excel.xlsx') worksheet = workbook.add_worksheet() worksheet.write(0, 0, "Key") worksheet.write(0, 1, "Value") workbook.close() copyfile('/local_disk0/tmp/excel.xlsx', '/Volumes/my_catalog/my_schema/my_volume/excel.xlsx')
Seyrek dosyalar desteklenmez. Seyrek dosyaları kopyalamak için
cp --sparse=never
kullanın:$ cp sparse.file /Volumes/my_catalog/my_schema/my_volume/sparse.file error writing '/dbfs/sparse.file': Operation not supported $ cp --sparse=never sparse.file /Volumes/my_catalog/my_schema/my_volume/sparse.file
Çalışma alanı dosyalarıyla çalışma
Databricks çalışma alanı dosyalarıçalışma alanı depolama hesabında depolanan çalışma alanı dosyalarıdır. Not defterleri, kaynak kod dosyaları, veri dosyaları ve diğer çalışma alanı varlıkları gibi dosyaları depolamak ve bu dosyalara erişmek için çalışma alanı dosyalarını kullanabilirsiniz. Çalışma alanı dosyalarının boyut kısıtlamaları olduğundan Databricks, geliştirme ve test için yalnızca küçük veri dosyalarının burada depolanmasını önerir.
Araç | Örnek |
---|---|
Apache Spark | spark.read.format("json").load("file:/Workspace/Users/<user-folder>/data.json").show() |
Spark SQL ve Databricks SQL | SELECT * FROM json.`file:/Workspace/Users/<user-folder>/file.json`; |
Databricks dosya sistemi yardımcı programları | dbutils.fs.ls("file:/Workspace/Users/<user-folder>/") %fs ls file:/Workspace/Users/<user-folder>/ |
Databricks Komut Satırı Arayüzü (CLI) | databricks workspace list |
Databricks REST API | POST https://<databricks-instance>/api/2.0/workspace/delete {"path": "/Workspace/Shared/code.py", "recursive": "false"} |
Bash kabuk dili komutları | %sh curl http://<address>/text.zip -o /Workspace/Users/<user-folder>/text.zip |
Kütüphane kurulumu | %pip install /Workspace/Users/<user-folder>/my_library.whl |
Pandalar | df = pd.read_csv('/Workspace/Users/<user-folder>/data.csv') |
Açık Kaynak Yazılım Python | os.listdir('/Workspace/Users/<user-folder>/path/to/directory') |
Not
Databricks Yardımcı Programları, Apache Spark veya SQL ile çalışırken file:/
şeması gereklidir.
Çalışma alanı dosyalarıyla çalışmayla ilgili sınırlamalar için bkz. Sınırlamalar.
Silinen çalışma alanı dosyaları nereye gider?
Çalışma alanı dosyasını silmek, dosyayı çöp kutusuna gönderir. Kullanıcı arabirimini kullanarak çöp sepetindeki dosyaları kurtarabilir veya kalıcı olarak silebilirsiniz.
Bkz. Nesneyi Sil.
Bulut nesne depolamasında dosyalarla çalışma
Databricks, bulut nesne depolamadaki dosyalara güvenli erişim yapılandırmak için Unity Kataloğu birimlerinin kullanılmasını önerir. URI'leri kullanarak verilere doğrudan bulut nesne depolamasında erişmeyi seçerseniz izinleri yapılandırmanız gerekir. Bkz. Yönetilen ve dış birimler.
Aşağıdaki örneklerde bulut nesne depolamadaki verilere erişmek için URI'ler kullanılır:
Araç | Örnek |
---|---|
Apache Spark | spark.read.format("json").load("abfss://container-name@storage-account-name.dfs.core.windows.net/path/file.json").show() |
Spark SQL ve Databricks SQL |
SELECT * FROM csv.`abfss://container-name@storage-account-name.dfs.core.windows.net/path/file.json`;
LIST 'abfss://container-name@storage-account-name.dfs.core.windows.net/path';
|
Databricks dosya sistemi yardımcı programları |
dbutils.fs.ls("abfss://container-name@storage-account-name.dfs.core.windows.net/path/")
%fs ls abfss://container-name@storage-account-name.dfs.core.windows.net/path/
|
Databricks Komut Satırı Arayüzü (CLI) | Desteklenmiyor |
Databricks REST API | Desteklenmiyor |
Bash kabuk dili komutları | Desteklenmiyor |
Kütüphane kurulumu | %pip install abfss://container-name@storage-account-name.dfs.core.windows.net/path/to/library.whl |
Pandalar | Desteklenmiyor |
Açık Kaynak Yazılım Python | Desteklenmiyor |
DBFS montajlarında ve DBFS kökünde dosyalarla çalışma
DBFS bağlamaları Unity Kataloğu kullanılarak güvenli hale getirilemez ve artık Databricks tarafından önerilmez. DBFS kökünde depolanan verilere çalışma alanındaki tüm kullanıcılar erişebilir. Databricks, DBFS'nin kök dizininde herhangi bir hassas veya üretim kodu ya da veri depolamamanızı şiddetle önerir. Bkz. DBFS nedir?.
Araç | Örnek |
---|---|
Apache Spark | spark.read.format("json").load("/mnt/path/to/data.json").show() |
Spark SQL ve Databricks SQL | SELECT * FROM json.`/mnt/path/to/data.json`; |
Databricks dosya sistemi yardımcı programları | dbutils.fs.ls("/mnt/path") %fs ls /mnt/path |
Databricks Komut Satırı Arayüzü (CLI) | databricks fs cp dbfs:/mnt/path/to/remote/file /path/to/local/file |
Databricks REST API | POST https://<host>/api/2.0/dbfs/delete --data '{ "path": "/tmp/HelloWorld.txt" }' |
Bash kabuk dili komutları | %sh curl http://<address>/text.zip > /dbfs/mnt/tmp/text.zip |
Kütüphane kurulumu | %pip install /dbfs/mnt/path/to/my_library.whl |
Pandalar | df = pd.read_csv('/dbfs/mnt/path/to/data.csv') |
Açık Kaynak Yazılım Python | os.listdir('/dbfs/mnt/path/to/directory') |
Not
Databricks CLI ile çalışırken dbfs:/
düzeni gereklidir.
Sürücü düğümüne bağlı kısa ömürlü depolamadaki dosyalarla çalışma
Sürücü düğümüne eklenen geçici depolama, yerleşik POSIX tabanlı yol erişimine sahip blok depolamadır. Bir küme sonlandırıldığında veya yeniden başlatıldığında bu konumda depolanan tüm veriler kaybolur.
Araç | Örnek |
---|---|
Apache Spark | Desteklenmiyor |
Spark SQL ve Databricks SQL | Desteklenmiyor |
Databricks dosya sistemi yardımcı programları | dbutils.fs.ls("file:/path") %fs ls file:/path |
Databricks Komut Satırı Arayüzü (CLI) | Desteklenmiyor |
Databricks REST API | Desteklenmiyor |
Bash kabuk dili komutları | %sh curl http://<address>/text.zip > /tmp/text.zip |
Kütüphane kurulumu | Desteklenmiyor |
Pandalar | df = pd.read_csv('/path/to/data.csv') |
Açık Kaynak Yazılım Python | os.listdir('/path/to/directory') |
Not
Databricks Yardımcı Programları ile çalışırken file:/
şeması gereklidir.
Kısa ömürlü depolamadan birimlere veri taşıma
Apache Spark kullanarak kısa ömürlü depolamaya indirilen veya kaydedilen verilere erişmek isteyebilirsiniz. Kısa ömürlü depolama sürücüye eklendiğinden ve Spark dağıtılmış bir işleme altyapısı olduğundan, tüm işlemler verilere buradan doğrudan erişemez. Sürücü dosya sisteminden Unity Kataloğu birimlerine veri taşımanız gerektiğini varsayalım. Bu durumda, aşağıdaki örneklerde gösterildiği gibi
dbutils.fs.cp ("file:/<path>", "/Volumes/<catalog>/<schema>/<volume>/<path>")
%sh cp /<path> /Volumes/<catalog>/<schema>/<volume>/<path>
%fs cp file:/<path> /Volumes/<catalog>/<schema>/<volume>/<path>
Ek kaynaklar
Yerel dosyaları yükleme veya Azure Databricks'e internet dosyaları indirme hakkında bilgi için bkz. Azure Databricks'e dosya yükleme.