读取与持有者令牌共享的数据

本页介绍如何使用 OpenSharing 开放共享 协议和持有者令牌读取与你共享的数据。它包括有关使用以下工具读取共享数据的说明：

Iceberg 客户端
Apache Spark
熊猫
Power BI
Tableau

在此共享模型中，你将使用由数据提供程序与团队成员共享的凭据文件来获得对共享数据的安全读取访问权限。只要凭据有效且提供商继续共享数据，访问就会持续。提供商管理凭据过期和轮换。数据更新几乎实时可用。可以读取和创建共享数据的副本，但不能修改源数据。

Note

如果数据是通过 Databricks-to-Databricks OpenSharing 向你共享的，则无需凭据文件即可访问数据，并且此页面不适用于你。请参阅使用 Databricks-to-Databricks OpenSharing 读取共享数据（适用于接收方）。

以下部分介绍如何使用 Apache Spark、pandasPower BI 和 Iceberg 客户端通过凭据文件访问和读取共享数据。有关 OpenSharing 连接器的完整列表以及如何使用这些连接器的信息，请参阅 OpenSharing 开放源代码文档。如果在访问共享数据时遇到问题，请联系数据提供者。

开始之前

团队成员必须下载数据提供程序共享的凭据文件，并使用安全通道与你共享该文件或文件位置。请参阅 Databricks 到 Open 共享模型中的“获取访问权限”。

有关连接器特定的文档，请参阅下载凭据页。

Iceberg 客户端：读取共享数据

使用外部 Iceberg 客户端（如 Snowflake、Trino、Flink 和 Spark）使用 Apache Iceberg REST 目录 API 读取具有零复制访问权限的共享数据资产。

获取连接凭据

在与外部 Iceberg 客户端访问共享数据资产之前，请收集以下凭据：

Iceberg REST 目录终结点
有效的持有者令牌
共享名称
（可选）命名空间或架构名称
（可选）表名称

Iceberg REST 目录终结点（icebergEndpoint）和持有者令牌位于数据提供程序与你共享的凭据文件中。有关详细信息，请参阅开始之前。可以使用 OpenSharing API 以编程方式发现共享名称、命名空间和表名称。

重要

该 icebergEndpoint 文件位于凭据文件中，其格式 <workspace-url>/api/2.0/delta-sharing/metastores/<metastore-id>/iceberg为。

以下示例演示如何获取其他凭据。在相应位置输入端点、Iceberg 端点以及凭据文件中的持有者令牌：

// List shares
curl -X GET "<endpoint>/shares" \
   -H "Authorization: Bearer <bearerToken>"

// List namespaces
curl -X GET "<icebergEndpoint>/v1/shares/<share>/namespaces" \
   -H "Authorization: Bearer <bearerToken>"

// List tables
curl -X GET "<icebergEndpoint>/v1/shares/<share>/namespaces/<namespace>/tables" \
   -H "Authorization: Bearer <bearerToken>"

Note

此方法始终检索最新资产列表。但是，它需要 Internet 访问，在无代码环境中更难集成。

配置 Iceberg 目录

获取必要的连接凭据后，请将客户端配置为使用 Iceberg REST 目录终结点创建和查询表。

针对每个共享，创建一个目录集成。

USE ROLE ACCOUNTADMIN;

CREATE OR REPLACE CATALOG INTEGRATION <CATALOG_PLACEHOLDER>
CATALOG_SOURCE = ICEBERG_REST
TABLE_FORMAT = ICEBERG
REST_CONFIG = (
   CATALOG_URI = '<icebergEndpoint>',
   WAREHOUSE = '<share_name>',
   ACCESS_DELEGATION_MODE = VENDED_CREDENTIALS
)
REST_AUTHENTICATION = (
   TYPE = BEARER,
   BEARER_TOKEN = '<bearerToken>'
)
ENABLED = TRUE;

（可选）添加 REFRESH_INTERVAL_SECONDS 以使元数据保持最新状态。根据目录更新频率设置值。
```
REFRESH_INTERVAL_SECONDS = 30
```
配置目录后，从目录创建数据库。这会自动在该目录中创建所有架构和表。
```
CREATE DATABASE <DATABASE_PLACEHOLDER>
LINKED_CATALOG = (
   CATALOG = <CATALOG_PLACEHOLDER>
);
```
若要确认共享成功，请从数据库中的表进行查询。您应该能够看到来自 Azure Databricks 的共享数据。

如果结果为空或发生错误，请按照以下常见故障排除步骤作：

仔细检查特权、快照生成状态和 REST 凭据。
请联系数据供应商。
请参阅您所使用的 Iceberg 客户端的具体文档。

示例：使用不同的 Iceberg 客户端访问共享表

以下示例演示如何在获取连接凭据后使用外部 Iceberg 客户端（如 Snowflake、Apache Spark、PyIceberg 和 REST API）访问开放共享表。有关获取连接凭据的详细信息，请参阅开始之前。

Snowflake

若要在 Snowflake 中读取共享数据资产，请上传下载的凭据文件并生成所需的 SQL 命令：

从 OpenSharing 激活链接中，单击 Snowflake 图标。
在 Snowflake 集成页上，上传从数据提供程序收到的凭据文件。
加载凭据后，选择要在 Snowflake 中访问的共享资源。
选择所需资产后，单击“ 生成 SQL ”。
将生成的 SQL 复制并粘贴到 Snowflake 工作表中。将 CATALOG_PLACEHOLDER 替换为您想使用的目录名称，将 DATABASE_PLACEHOLDER 替换为您想使用的数据库名称。

局限性

连接到 Snowflake 中的 Iceberg REST 目录具有以下限制：

元数据文件不会自动更新以包含最新的快照。必须依赖于自动刷新或手动刷新。
不支持 R2。
所有 Iceberg 客户端限制都适用。

Apache Spark

若要使用 Apache Spark 访问共享表，请使用以下设置配置 Iceberg REST 目录 API。将 <spark-catalog-name> 替换为您的目录名称，并提供连接凭据：

"spark.sql.extensions": "org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions",

# Configuration for accessing tables shared using Delta Sharing
"spark.sql.catalog.<spark-catalog-name>":"org.apache.iceberg.spark.SparkCatalog",
"spark.sql.catalog.<spark-catalog-name>.type": "rest",
"spark.sql.catalog.<spark-catalog-name>.uri": "<icebergEndpoint>",
"spark.sql.catalog.<spark-catalog-name>.token": "<bearerToken>",
"spark.sql.catalog.<spark-catalog-name>.warehouse":"<share_name>",
"spark.sql.catalog.<spark-catalog-name>.scope":"all-apis"

PyIceberg

PyIceberg 是一种 Python 实现，用于访问 Iceberg 表而不使用 JVM。 PyIceberg 要求 pyarrow 执行表操作，例如读取数据和检查表元数据。使用 pyarrow 额外组件安装 PyIceberg：

pip install "pyiceberg[pyarrow]"

若要访问共享表，请将以下目录配置添加到 PyIceberg 配置文件：

catalog:
  delta_sharing:
    type: rest
    uri: <icebergEndpoint>
    warehouse: <share_name>
    token: <bearerToken>

REST API

使用 REST API 调用（如以下示例 curl ）加载表并检索其元数据以及用于访问数据文件的临时凭据：

curl -X GET -H "Authorization: Bearer <bearerToken>" -H "Accept: application/json" \
<icebergEndpoint>/v1/shares/<share_name>/namespaces/<schema_name>/tables/<table_name>

响应包括 Iceberg 表元数据、S3 位置和临时 AWS 凭据，这些凭据允许客户端读取数据文件：

{
  "metadata-location": "s3://bucket/path/to/iceberg/table/metadata/file",
  "metadata": <iceberg-table-metadata-json>,
  "config": {
    "expires-at-ms": "<epoch-ts-in-millis>",
    "s3.access-key-id": "<temporary-s3-access-key-id>",
    "s3.session-token": "<temporary-s3-session-token>",
    "s3.secret-access-key": "<temporary-secret-access-key>",
    "client.region": "<aws-bucket-region-for-metadata-location>"
  }
}

Iceberg 客户端限制

从 Iceberg 客户端查询 OpenSharing 数据时，存在以下限制：

在命名空间中列出表时，如果命名空间包含 100 多个共享视图，则响应限制为前 100 个视图。

Apache Spark：读取共享数据

按照以下步骤使用 Spark 3.x 或更高版本访问共享的数据。

这些说明假设你有权访问数据提供程序共享的凭据文件。请参阅 Databricks 到 Open 共享模型中的“获取访问权限”。

重要

使用绝对路径确保 Apache Spark 可以访问凭据文件。路径可以指向云对象或 Unity Catalog 卷。

Note

如果您在启用了 Unity Catalog 的 Azure Databricks 工作区上使用 Spark，且使用导入提供程序 UI 来导入提供程序和共享，那么本部分中的说明不适用于您。你可以像在 Unity Catalog 中注册的任何其他表一样访问共享表。无需安装 delta-sharing Python 连接器或提供凭据文件的路径。请参阅导入提供程序并在Azure Databricks中读取共享数据。

安装 OpenSharing Python 和 Spark 连接器

若要访问与共享数据相关的元数据（例如与你共享的表列表），请执行以下操作。此示例使用Python。

安装 delta-sharing Python 连接器。有关Python连接器限制的信息，请参阅 OpenSharing Python 连接器限制。
```
pip install delta-sharing
```
安装 Apache Spark 连接器。

使用 Spark 列出共享的表

列出共享中的表。在下面的示例中，将 <profile-path> 替换为凭据文件的位置。

import delta_sharing

client = delta_sharing.SharingClient(f"<profile-path>/config.share")

client.list_all_tables()

结果是一个表数组，以及每个表的元数据。以下输出显示了两个表：

Out[10]: [Table(name='example_table', share='example_share_0', schema='default'), Table(name='other_example_table', share='example_share_0', schema='default')]

如果输出为空或不包含预期的表，请与数据提供者联系。

使用 Spark 访问共享的数据

运行以下命令并替换以下变量：

<profile-path>：凭据文件的位置。
<share-name>：表的 share= 的值。
<schema-name>：表的 schema= 的值。
<table-name>：表的 name= 的值。
<version-as-of>：可选。要加载数据的表的版本。只有在数据提供者共享表的历史记录的情况下才有效。需要 delta-sharing-spark 0.5.0 或更高版本。
<timestamp-as-of>：可选。在给定时间戳的版本或其之前的版本加载数据。只有在数据提供者共享表的历史记录的情况下才有效。需要 delta-sharing-spark 0.6.0 或更高版本。

Python

delta_sharing.load_as_spark(f"<profile-path>#<share-name>.<schema-name>.<table-name>", version=<version-as-of>)

spark.read.format("deltaSharing")\
.option("versionAsOf", <version-as-of>)\
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")\
.limit(10)

delta_sharing.load_as_spark(f"<profile-path>#<share-name>.<schema-name>.<table-name>", timestamp=<timestamp-as-of>)

spark.read.format("deltaSharing")\
.option("timestampAsOf", <timestamp-as-of>)\
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")\
.limit(10)

Scala

spark.read.format("deltaSharing")
.option("versionAsOf", <version-as-of>)
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")
.limit(10)

spark.read.format("deltaSharing")
.option("timestampAsOf", <version-as-of>)
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")
.limit(10)

使用 Spark 访问共享的变更数据馈送

如果表历史记录已与你共享，并且源表上启用了更改数据馈送（CDF），请运行以下命令来访问更改数据馈送，替换这些变量。需要 delta-sharing-spark 0.5.0 或更高版本。

必须提供一个启动参数。

<profile-path>：凭据文件的位置。
<share-name>：表的 share= 的值。
<schema-name>：表的 schema= 的值。
<table-name>：表的 name= 的值。
<starting-version>：可选。查询的起始版本（含）。指定为长整型。
<ending-version>：可选。查询的结束版本（含）。如果未提供结束版本，API 将使用最新的表版本。
<starting-timestamp>：可选。查询的起始时间戳，将被转换为创建时间大于或等于此时间戳的版本。指定为采用 yyyy-mm-dd hh:mm:ss[.fffffffff] 格式的字符串。
<ending-timestamp>：可选。查询的结束时间戳，它将被转换为一个在此时间戳之前或等于此时间戳创建的版本。请将其指定为格式为 yyyy-mm-dd hh:mm:ss[.fffffffff] 的字符串

Python

delta_sharing.load_table_changes_as_spark(f"<profile-path>#<share-name>.<schema-name>.<table-name>",
  starting_version=<starting-version>,
  ending_version=<ending-version>)

delta_sharing.load_table_changes_as_spark(f"<profile-path>#<share-name>.<schema-name>.<table-name>",
  starting_timestamp=<starting-timestamp>,
  ending_timestamp=<ending-timestamp>)

spark.read.format("deltaSharing").option("readChangeFeed", "true")\
.option("startingVersion", <starting-version>)\
.option("endingVersion", <ending-version>)\
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")

spark.read.format("deltaSharing").option("readChangeFeed", "true")\
.option("startingTimestamp", <starting-timestamp>)\
.option("endingTimestamp", <ending-timestamp>)\
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")

Scala

spark.read.format("deltaSharing").option("readChangeFeed", "true")
.option("startingVersion", <starting-version>)
.option("endingVersion", <ending-version>)
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")

spark.read.format("deltaSharing").option("readChangeFeed", "true")
.option("startingTimestamp", <starting-timestamp>)
.option("endingTimestamp", <ending-timestamp>)
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")

如果输出为空或不包含预期的数据，请与数据提供者联系。

使用 Spark 结构化流式处理访问共享表

如果表历史记录已与你共享，你可以流式读取共享数据。需要 delta-sharing-spark 0.6.0 或更高版本。

支持的选项：

ignoreDeletes：忽略删除数据的事务。
ignoreChanges：如果由于数据更改操作（例如 UPDATE、MERGE INTO、DELETE（分区内）或 OVERWRITE）而在源表中重写了文件，则重新处理更新。仍可以发出未更改的行。因此，下游使用者应能够处理重复项。删除不会传播到下游。 ignoreChanges 包括 ignoreDeletes。因此，如果使用 ignoreChanges，则流不会因对源表的删除或更新而中断。
startingVersion：要从其开始的共享表版本。从本版本（含）开始的所有表更改都会被流式传输源读取。
startingTimestamp：起始时间戳。在时间戳（含）及之后提交的所有表更改都会被流式传输源读取。示例："2023-01-01 00:00:00.0"。
maxFilesPerTrigger：每个微批中需要考虑的新文件数量。
maxBytesPerTrigger：在每个微批中处理的数据量。此选项设置一个“柔性最大值”，这意味着批处理大约处理此数量的数据，并且可能会超过此限制，以便在最小输入单元大于此限制的情况下，继续处理流式查询。
readChangeFeed：流式读取共享表的变更数据馈送。

支持的触发器：

Trigger.ProcessingTime：未指定显式触发器时使用的默认触发器。数据以连续的微批处理进行处理。
Trigger.AvailableNow：该查询在开始时记录共享表的服务器端版本，将积压数据分成多个微批次进行处理，并遵循 maxFilesPerTrigger 和 maxVersionsPerRpc，在所记录的版本处理完毕后终止。 delta-sharing-spark需要 1.4.0 或更高版本。旧版本会回退为不遵循 maxVersionsPerRpc 的 Trigger.AvailableNow 包装器。
Trigger.Once：废弃;请改用 Trigger.AvailableNow 。当 delta-sharing-spark 的版本低于 1.4.0 时，Trigger.AvailableNow 会回退到一个不遵循 maxVersionsPerRpc 的包装器。

结构化流式处理查询示例

Python

spark.readStream.format("deltaSharing")\
.option("startingVersion", 0)\
.option("ignoreDeletes", true)\
.option("maxBytesPerTrigger", 10000)\
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")

Scala

spark.readStream.format("deltaSharing")
.option("startingVersion", 0)
.option("ignoreChanges", true)
.option("maxFilesPerTrigger", 10)
.load("<profile-path>#<share-name>.<schema-name>.<table-name>")

另请参阅结构化流式处理概念。

读取启用了删除矢量或列映射的表

重要

此功能目前以公共预览版提供。

删除向量是提供商可以在共享 Delta 表上启用的一项存储优化功能。请参阅 Databricks 中的删除向量。

Azure Databricks 还支持 Delta 表的列映射。请参阅有关使用 Delta Lake 列映射重命名和删除列的说明。

如果你的提供商共享了启用了删除矢量或列映射的表，则可以使用运行 delta-sharing-spark 3.1 或更高版本的计算来读取该表。如果你使用 Databricks 群集，则可以使用运行 Databricks Runtime 14.1 或更高版本的群集执行批量读取。 CDF 和流式处理查询需要 Databricks Runtime 14.2 或更高版本。

可以按原样执行批处理查询，因为它们可以根据共享表的表功能自动解析 responseFormat。

若要读取变更数据馈送 (CDF) 或对启用了删除向量或列映射的共享表执行流式处理查询，必须设置附加选项 responseFormat=delta。

以下示例显示了批处理、CDF 和流式处理查询：

import org.apache.spark.sql.SparkSession

val spark = SparkSession
        .builder()
        .appName("...")
        .master("...")
        .config("spark.sql.extensions", "io.delta.sql.DeltaSparkSessionExtension")
        .config("spark.sql.catalog.spark_catalog", "org.apache.spark.sql.delta.catalog.DeltaCatalog")
        .getOrCreate()

val tablePath = "<profile-file-path>#<share-name>.<schema-name>.<table-name>"

// Batch query
spark.read.format("deltaSharing").load(tablePath)

// CDF query
spark.read.format("deltaSharing")
  .option("readChangeFeed", "true")
  .option("responseFormat", "delta")
  .option("startingVersion", 1)
  .load(tablePath)

// Streaming query
spark.readStream.format("deltaSharing").option("responseFormat", "delta").load(tablePath)

读取共享表中的行跟踪列

如果数据提供程序在共享表上启用了行跟踪，则可以使用 Scala Spark 查询行跟踪元数据列。有关可用列的列表，请参阅Azure Databricks 中的行跟踪。

必须将 responseFormat 选项设置为 delta。

spark.read.format("deltaSharing")
  .option("responseFormat", "delta")
  .load("<profile-path>#<share-name>.<schema-name>.<table-name>")
  .select("_metadata.row_id")
  .show()

Note

Spark 客户端中仅支持查询行跟踪列的增量响应格式。不支持转储连接器。

Pandas：读取共享数据

按照以下步骤访问 0.25.3 或更高版本中的 pandas 共享数据。

这些说明假设你有权访问数据提供程序共享的凭据文件。请参阅 Databricks 到 Open 共享模型中的“获取访问权限”。

Note

如果您在启用了 Unity Catalog 的 Azure Databricks 工作区上使用 pandas，并且通过导入供应商用户界面进行了导入和共享，则本节说明将不适用。你可以像在 Unity Catalog 中注册的任何其他表一样访问共享表。无需安装 delta-sharing Python 连接器或提供凭据文件的路径。请参阅导入提供程序并在Azure Databricks中读取共享数据。

安装 OpenSharing Python 连接器

若要访问与共享数据相关的元数据（例如与你共享的表列表），必须安装 delta-sharing Python 连接器。有关Python连接器限制的信息，请参阅 OpenSharing Python 连接器限制。

pip install delta-sharing

使用 `pandas` 列出共享表

若要列出共享中的表，请运行以下命令并将 <profile-path>/config.share 替换为凭据文件的位置。

import delta_sharing

client = delta_sharing.SharingClient(f"<profile-path>/config.share")

client.list_all_tables()

如果输出为空或不包含预期的表，请与数据提供者联系。

使用 `pandas` 访问共享数据

若要使用 Python 访问 pandas 中的共享数据，请运行以下命令，替换变量，如下所示：

<profile-path>：凭据文件的位置。
<share-name>：表的 share= 的值。
<schema-name>：表的 schema= 的值。
<table-name>：表的 name= 的值。

import delta_sharing
delta_sharing.load_as_pandas(f"<profile-path>#<share-name>.<schema-name>.<table-name>")

使用 `pandas` 访问共享更改数据馈送

若要使用 Python 访问共享表 pandas 的更改数据馈送，请运行以下命令，如下所示替换变量。可能未提供更改数据馈送，具体取决于数据提供程序是否共享了表的更改数据馈送。

<starting-version>：可选。查询的起始版本（含）。
<ending-version>：可选。查询的结束版本（含）。
<starting-timestamp>：可选。查询的起始时间戳。此值将转换为在晚于或等于此时间戳创建的版本。
<ending-timestamp>：可选。查询的结束时间戳。将其转换至一个在早于或等于此时间戳创建的版本。

import delta_sharing
delta_sharing.load_table_changes_as_pandas(
  f"<profile-path>#<share-name>.<schema-name>.<table-name>",
  starting_version=<starting-version>,
  ending_version=<ending-version>)

delta_sharing.load_table_changes_as_pandas(
  f"<profile-path>#<share-name>.<schema-name>.<table-name>",
  starting_timestamp=<starting-timestamp>,
  ending_timestamp=<ending-timestamp>)

如果输出为空或不包含预期的数据，请与数据提供者联系。

Power BI：读取共享数据

Power BI OpenSharing 连接器允许通过 OpenSharing 开放协议发现、分析和可视化与你共享的数据集。

要求

Power BI Desktop 2.99.621.0 或更高版本。
访问数据提供者共享的凭据文件。请参阅 Databricks 到 Open 共享模型中的“获取访问权限”。

连接到 Databricks

若要使用 OpenSharing 连接器连接到Azure Databricks，请执行以下操作：

使用文本编辑器打开共享的凭据文件以检索终结点 URL 和令牌。
打开Power BI桌面。
在 “获取数据 ”菜单上，搜索 OpenSharing。
选择连接器并单击“连接”。
在 OpenSharing 服务器 URL 字段中输入从凭据文件复制的终结点 URL。
（可选）在“高级选项”选项卡中，为可下载的最大行数设置“行限制”。此限制默认设置为 100 万行。
单击 “确定” 。
对于“身份验证”，请将从凭据文件中检索的令牌复制到“持有者令牌”中。
单击连接。

Power BI OpenSharing 连接器的限制

Power BI OpenSharing 连接器具有以下限制：

该连接器加载的数据必须能够装入计算机的内存。为了管理此要求，该连接器会将导入的行数限制为在 Power BI Desktop 的“高级选项”选项卡下设置的“行限制”。

Tableau：读取共享数据

Tableau OpenSharing 连接器允许通过 OpenSharing 开放协议发现、分析和可视化与你共享的数据集。

要求

Tableau Desktop 和 Tableau Server 2024.1 或更高版本
访问数据提供者共享的凭据文件。请参阅 Databricks 到 Open 共享模型中的“获取访问权限”。

连接到 Azure DataBricks

若要使用 OpenSharing 连接器连接到Azure Databricks，请执行以下操作：

转到 Tableau Exchange，按照说明下载 OpenSharing 连接器，并将其放入相应的桌面文件夹中。
打开 Tableau Desktop。
在 “连接器 ”页上，搜索“OpenSharing by Databricks”。
选择上传共享文件，然后选择提供者共享的凭证文件。
单击“获取数据”。
在数据资源管理器中，选择该表。
（可选）添加 SQL 筛选器或行限制。
点击“获取表数据”。

限制

Tableau OpenSharing 连接器具有以下限制：

该连接器加载的数据必须能够装入计算机的内存。为了管理此要求，连接器会将导入的行数限制为在 Tableau 中设置的行限制。
所有列都作为类型String返回。
仅当 OpenSharing 服务器支持 predicateHint 时，SQL 筛选器才有效。
不支持删除矢量。
不支持列映射。

OpenSharing Python 连接器限制

这些限制特定于 OpenSharing Python 连接器：

OpenSharing Python 连接器 1.1.0+ 支持对具有列映射的表的快照查询，但不支持对具有列映射的表执行 CDF 查询。
如果架构在所查询的版本范围内发生了更改，OpenSharing Python 连接器会导致带有 use_delta_format=True 的 CDF 查询失败。

流式处理表的限制

您只能读取共享流式表的当前快照。 Databricks-to-Open 共享中的流式表不支持以下功能：

查询表的历史数据
查询表的变更数据源 (CDF)
将该表用作 Spark Structured Streaming 的数据源

具体化视图的局限性

您只能读取共享具体化视图的当前快照。在 Databricks-to-Open 共享中，不支持将具体化视图用作 Spark Structured Streaming 的数据源。

请求新凭据

如果你的凭据激活 URL 或下载的凭据丢失、损坏或泄露，或者凭据过期且提供商未发送新凭据，请联系提供商请求新凭据。

如果你是 Azure Databricks 的用户，并将凭据作为提供者对象导入到 Unity Catalog 中，请使用 Databricks REST API 应用新的凭据。请参阅为开放接收方轮换凭据。

反馈

此页面是否有帮助？

Last updated on 2026-07-14

读取与持有者令牌共享的数据

开始之前

Iceberg 客户端：读取共享数据

获取连接凭据

配置 Iceberg 目录

示例：使用不同的 Iceberg 客户端访问共享表

Snowflake

Apache Spark

PyIceberg

REST API

Iceberg 客户端限制

Apache Spark：读取共享数据

安装 OpenSharing Python 和 Spark 连接器

使用 Spark 列出共享的表

使用 Spark 访问共享的数据

Python

Scala

使用 Spark 访问共享的变更数据馈送

Python

Scala

使用 Spark 结构化流式处理访问共享表

结构化流式处理查询示例

Python

Scala

读取启用了删除矢量或列映射的表

读取共享表中的行跟踪列

Pandas：读取共享数据

安装 OpenSharing Python 连接器

使用 pandas 列出共享表

使用 pandas 访问共享数据

使用 pandas 访问共享更改数据馈送

Power BI：读取共享数据

要求

连接到 Databricks

Power BI OpenSharing 连接器的限制

Tableau：读取共享数据

要求

连接到 Azure DataBricks

限制

OpenSharing Python 连接器限制

流式处理表的限制

具体化视图的局限性

请求新凭据

反馈

其他资源

使用 `pandas` 列出共享表

使用 `pandas` 访问共享数据

使用 `pandas` 访问共享更改数据馈送