Azure Synapse Analytics 中的檔案掛接/卸除 API 簡介

Azure Synapse Studio 小組在 Microsoft Spark 公用程式 （mssparkutils） 套件中建置了兩個新的掛接/卸除 API。 您可以使用這些 API 將遠端記憶體（Azure Blob 儲存體 或 Azure Data Lake 儲存體 Gen2）連結至所有工作節點（驅動程式節點和背景工作節點）。 記憶體就緒之後，您可以使用本機檔案 API 來存取數據，就像儲存在本機檔系統中一樣。 如需詳細資訊，請參閱 Microsoft Spark 公用程式簡介。

本文說明如何在工作區中使用掛接/卸除 API。 您將了解：

• 如何掛接 Data Lake 儲存體 Gen2 或 Blob 儲存體。
• 如何透過本機文件系統 API 存取裝入點下的檔案。
• 如何使用 API 存取裝入點 mssparktuils fs 下的檔案。
• 如何使用 Spark 讀取 API 存取裝入點下的檔案。
• 如何卸除裝入點。

警告

暫時停用 Azure 檔案共用掛接。 您可以改用 Data Lake 儲存體 Gen2 或 Azure Blob 儲存體 掛接，如下一節所述。

不支援 Azure Data Lake 儲存體 Gen1 記憶體。 您可以在使用掛接 API 之前，遵循 Azure Data Lake 儲存體 Gen1 移轉至 Gen2 移轉指引，以移轉至 Data Lake 儲存體 Gen2。

掛接儲存體

本節說明如何逐步掛接 Data Lake 儲存體 Gen2 作為範例。 掛接 Blob 儲存體 的運作方式類似。

此範例假設您有一個名為的 Data Lake 儲存體 Gen2 帳戶storegen2。 帳戶有一個名為 的容器，您想要在Spark集區中掛接至/test該容器mycontainer。

若要掛接名為 mycontainer的容器， mssparkutils 首先必須檢查您是否具有存取容器的許可權。 目前，Azure Synapse Analytics 支援三種觸發程式掛接作業的驗證方法： linkedService、 accountKey和 sastoken。

使用連結服務掛接 （建議）

我們建議透過連結服務掛接觸發程式。 此方法可避免安全性外泄，因為 mssparkutils 不會儲存任何秘密或驗證值本身。 相反地， mssparkutils 一律從鏈接服務擷取驗證值，以向遠端記憶體要求 Blob 數據。

您可以為 Data Lake 儲存體 Gen2 或 Blob 儲存體 建立連結服務。 目前，當您建立連結服務時，Azure Synapse Analytics 支援兩種驗證方法：

• 使用帳戶金鑰建立連結服務

  

• 使用受控識別建立連結服務

  

重要

• 如果上述建立的連結服務至 Azure Data Lake 儲存體 Gen2 使用受控私人端點（含 dfs URI），則必須使用 Azure Blob 儲存體 選項建立另一個次要受控私人端點（搭配 blob URI），以確保內部 fsspec/adlfs 程式代碼可以使用 BlobServiceClient 接口聯機。
• 如果次要受控私人端點未正確設定，則會看到類似 ServiceRequestError 的錯誤訊息：無法連線到主機 [storageaccountname].blob.core.windows.net：443 ssl：True [名稱或服務未知]

注意

如果您使用受控識別作為驗證方法建立連結服務，請確定工作區 MSI 檔案具有掛接容器的 儲存體 Blob 數據參與者角色。

成功建立連結服務之後，您可以使用下列 Python 程式代碼，輕鬆地將容器掛接至 Spark 集區：

mssparkutils.fs.mount( 
    "abfss://mycontainer@<accountname>.dfs.core.windows.net", 
    "/test", 
    {"linkedService": "mygen2account"} 
) 

注意

如果無法使用，您可能需要匯 mssparkutils 入：

from notebookutils import mssparkutils 

無論您使用哪一種驗證方法，我們不建議您掛接根資料夾。

掛接參數：

• fileCacheTimeout：Blob 預設會在本機暫存資料夾中快取 120 秒。 在此期間，blobfuse 不會檢查檔案是否為最新狀態。 參數可以設定為變更預設逾時時間。 當多個用戶端同時修改檔案時，為了避免本機和遠端檔案之間的不一致，建議您縮短快取時間，甚至將其變更為 0，並且一律從伺服器取得最新的檔案。
• timeout：掛接作業逾時預設為120秒。 參數可以設定為變更預設逾時時間。 當執行程式太多或掛接逾時時，建議增加值。
• scope：scope 參數是用來指定掛接的範圍。 預設值為 「job」。如果範圍設定為 「作業」，則只有目前的叢集才能看到掛接。 如果範圍設定為「工作區」，則目前工作區中的所有筆記本都可以看到掛接，如果不存在，就會自動建立裝入點。 將相同的參數新增至卸除 API 以取消掛接裝入點。 僅支援連結服務驗證的工作區層級掛接。

您可以使用這些參數，如下所示：

mssparkutils.fs.mount(
    "abfss://mycontainer@<accountname>.dfs.core.windows.net",
    "/test",
    {"linkedService":"mygen2account", "fileCacheTimeout": 120, "timeout": 120}
)

透過共用存取簽章令牌或帳戶密鑰掛接

除了透過連結服務掛接， mssparkutils 還支援明確傳遞帳戶密鑰或 共用存取簽章 （SAS） 令牌作為掛接目標的參數。

基於安全性考慮，我們建議您將帳戶密鑰或 SAS 令牌儲存在 Azure 金鑰保存庫 中（如下列範例螢幕快照所示）。 接著，您可以使用 API 來擷取它們 mssparkutil.credentials.getSecret 。 如需詳細資訊，請參閱使用 金鑰保存庫 和 Azure CLI 管理記憶體帳戶金鑰（舊版）。

以下是範例程式碼：

from notebookutils import mssparkutils  

accountKey = mssparkutils.credentials.getSecret("MountKV","mySecret")  
mssparkutils.fs.mount(  
    "abfss://mycontainer@<accountname>.dfs.core.windows.net",  
    "/test",  
    {"accountKey":accountKey}
) 

注意

基於安全性考慮，請勿將認證儲存在程序代碼中。

使用 mssparkutils fs API 存取裝入點下的檔案

掛接作業的主要目的是讓客戶使用本機文件系統 API 來存取儲存在遠端記憶體帳戶中的數據。 您也可以使用 mssparkutils fs API 搭配掛接路徑做為參數來存取數據。 這裡使用的路徑格式稍有不同。

假設您已使用掛接 API 將 Data Lake 儲存體 Gen2 容器 mycontainer 掛接至 /test。 透過本機檔案系統 API 存取資料時：

• 對於小於或等於 3.3 的 Spark 版本，路徑格式為 /synfs/{jobId}/test/{filename}。
• 對於大於或等於 3.4 的 Spark 版本，路徑格式為 /synfs/notebook/{jobId}/test/{filename}。

我們建議使用 mssparkutils.fs.getMountPath() 來取得正確的路徑：

path = mssparkutils.fs.getMountPath("/test")

注意

當您使用 workspace 範圍掛接記憶體時，裝入點會在資料夾下 /synfs/workspace 建立。 您需要使用 mssparkutils.fs.getMountPath("/test", "workspace") 來取得正確的路徑。

當您想要使用 mssparkutils fs API 存取資料時，路徑格式如下所示： synfs:/notebook/{jobId}/test/{filename}。 在此案例中，您可以看到 synfs 這是用來作為架構，而不是掛接路徑的一部分。 當然，您也可以使用本機文件系統架構來存取數據。 例如： file:/synfs/notebook/{jobId}/test/{filename} 。

下列三個範例示範如何使用 存取具有裝入點路徑 mssparkutils fs的檔案。

• 列出目錄：

  mssparkutils.fs.ls(f'file:{mssparkutils.fs.getMountPath("/test")}') 
  

• 讀取檔案內容：

  mssparkutils.fs.head(f'file:{mssparkutils.fs.getMountPath("/test")}/myFile.csv') 
  

• 建立目錄：

  mssparkutils.fs.mkdirs(f'file:{mssparkutils.fs.getMountPath("/test")}/myDir') 
  

使用 Spark 讀取 API 存取裝入點下的檔案

您可以提供參數，以透過Spark讀取API存取數據。 當您使用 mssparkutils fs API 時，這裡的路徑格式會相同。

從掛接的 Data Lake 儲存體 Gen2 記憶體帳戶讀取檔案

下列範例假設 Data Lake 儲存體 Gen2 儲存器帳戶已經掛接，然後使用掛接路徑讀取檔案：

%%pyspark 

df = spark.read.load(f'file:{mssparkutils.fs.getMountPath("/test")}/myFile.csv', format='csv') 
df.show() 

注意

當您使用連結服務掛接記憶體時，應該一律先明確設定 spark 連結服務組態，再使用 synfs 架構來存取數據。 如需詳細資訊，請參閱具有連結服務的 ADLS Gen2 記憶體。

從掛接的 Blob 儲存體 帳戶讀取檔案

如果您掛接 Blob 儲存體 帳戶並想要使用 mssparkutils 或 Spark API 加以存取，您必須先透過 Spark 設定明確設定 SAS 令牌，才能嘗試使用掛接 API 掛接容器：

1. 若要在觸發程式掛接之後使用 mssparkutils 或Spark API存取 Blob 儲存體 帳戶，請更新Spark組態，如下列程式碼範例所示。 如果您想要只在掛接之後使用本機檔案 API 來存取 Spark 組態，則可以略過此步驟。

   blob_sas_token = mssparkutils.credentials.getConnectionStringOrCreds("myblobstorageaccount") 
   
   spark.conf.set('fs.azure.sas.mycontainer.<blobStorageAccountName>.blob.core.windows.net', blob_sas_token) 
   

2. 建立連結服務 ，並使用連結的服務myblobstorageaccount掛接 Blob 儲存體 帳戶：

   %%spark 
   mssparkutils.fs.mount( 
       "wasbs://mycontainer@<blobStorageAccountName>.blob.core.windows.net", 
       "/test", 
       Map("linkedService" -> "myblobstorageaccount") 
   ) 
   

3. 掛接 Blob 儲存體 容器，然後使用透過本機檔案 API 的掛接路徑讀取檔案：

       # mount the Blob Storage container, and then read the file by using a mount path
       with open(mssparkutils.fs.getMountPath("/test") + "/myFile.txt") as f:
       print(f.read())
   

4. 透過Spark讀取 API，從掛接的 Blob 儲存體 容器讀取資料：

   %%spark
   // mount blob storage container and then read file using mount path
   val df = spark.read.text(f'file:{mssparkutils.fs.getMountPath("/test")}/myFile.txt')
   df.show()
   

卸載入點

使用下列程式代碼來卸載入點（/test 在此範例中為）：

mssparkutils.fs.unmount("/test") 

已知的限制

• 卸除機制不是自動的。 當應用程式執行完成時，若要卸載裝入點以釋放磁碟空間，您必須在程式代碼中明確呼叫卸除 API。 否則，在應用程式執行完成之後，裝入點仍會存在於節點中。

• 目前不支援掛接 Data Lake 儲存體 Gen1 儲存器帳戶。

已知問題：

• 在Spark 3.4中，當相同叢集中有多個作用中會話平行執行時，裝入點可能無法使用。 您可以使用範圍掛接 workspace ，以避免發生此問題。

下一步

• 開始使用 Azure Synapse Analytics
• 監視 Synapse 工作區
• Microsoft Spark 公用程序簡介