Общие шаблоны загрузки данных с помощью COPY INTO

Узнайте распространенные шаблоны для использования COPY INTO для загрузки данных из файловых источников в Delta Lake.

Существует множество вариантов использования COPY INTO. Вы также можете использовать временные учетные данные вместе с COPY INTO в сочетании с этими шаблонами.

С полным справочником всех параметров можно ознакомиться в COPY INTO.

Создайте целевые таблицы для COPY INTO

COPY INTO должна быть нацелена на существующую таблицу Delta.

CREATE TABLE IF NOT EXISTS my_table
[(col_1 col_1_type, col_2 col_2_type, ...)]
[COMMENT <table-description>]
[TBLPROPERTIES (<table-properties>)];

В Databricks Runtime 11.3 LTS и более поздних версиях задание схемы данных таблиц является необязательным для форматов, поддерживающих схемную эволюцию. Дополнительные сведения см. в определении схемы и её эволюции с помощью COPY INTO.

Загрузка данных JSON с помощью COPY INTO

В следующем примере данные JSON загружаются из пяти файлов в Azure Data Lake Storage (ADLS) в таблицу Delta с именем my_json_data. Эту таблицу необходимо создать перед выполнением COPY INTO. Если из одного из файлов уже были загружены данные, эти данные для него перезагружены не будут.

COPY INTO my_json_data
  FROM 'abfss://[email protected]/base/path'
  FILEFORMAT = JSON
  FILES = ('f1.json', 'f2.json', 'f3.json', 'f4.json', 'f5.json')

 -- The second execution will not copy any data since the first command already loaded the data
 COPY INTO my_json_data
   FROM 'abfss://[email protected]/base/path'
   FILEFORMAT = JSON
   FILES = ('f1.json', 'f2.json', 'f3.json', 'f4.json', 'f5.json')

Загрузка данных Avro с помощью COPY INTO

В следующем примере данные Avro загружаются в ADLS с помощью дополнительных выражений SQL в рамках инструкции SELECT.

COPY INTO my_delta_table
  FROM (SELECT to_date(dt) dt, event as measurement, quantity::double
          FROM 'abfss://[email protected]/base/path')
  FILEFORMAT = AVRO

Загрузка CSV-файлов с помощью COPY INTO

В следующем примере CSV-файлы загружаются из Azure Data Lake Storage под abfss://[email protected]/base/path/folder1 в таблицу Delta.

COPY INTO target_table
  FROM (SELECT key, index, textData, 'constant_value'
          FROM 'abfss://[email protected]/base/path')
  FILEFORMAT = CSV
  PATTERN = 'folder1/file_[a-g].csv'
  FORMAT_OPTIONS('header' = 'true')

-- The example below loads CSV files without headers in ADLS using COPY INTO.
-- By casting the data and renaming the columns, you can put the data in the schema you want
COPY INTO target_table
  FROM (SELECT _c0::bigint key, _c1::int index, _c2 textData
        FROM 'abfss://[email protected]/base/path')
  FILEFORMAT = CSV
  PATTERN = 'folder1/file_[a-g].csv'

Вывод схемы и эволюция с помощью COPY INTO

В этом разделе приведены примеры общих конфигураций вывода схемы и эволюции с помощью COPY INTO.

Синтаксис

COPY INTO my_table
FROM '/path/to/files'
FILEFORMAT = <format>
FORMAT_OPTIONS ('inferSchema' = 'true', `mergeSchema` = `true`)
COPY_OPTIONS ('mergeSchema' = 'true');

Следующие FORMAT_OPTIONS доступны для автоматического вывода входной схемы с COPY INTO:

• inferSchema: следует ли выводить типы данных распарсенных записей или предполагать, что все столбцы имеют тип StringType.

• mergeSchema: следует ли выводить схему из нескольких исходных файлов и объединять схему каждого файла.

  Если исходные файлы имеют ту же схему, Databricks рекомендует использовать параметр по умолчанию для mergeSchema в FORMAT_OPTIONS (false).

В наличии следующие COPY_OPTIONS, которые можно использовать для развития целевой схемы с помощью COPY INTO:

• mergeSchema: следует ли изменять схему целевой Delta-таблицы на основе входной схемы.

  Если входная схема и целевая схема совпадают, mergeSchema может быть заменён на false в COPY_OPTIONS.

Выведение и развитие схемы CSV

В следующем примере создаётся таблица Delta без схемы с именем my_pipe_data и загружается CSV-файл, разделённый столбцами через вертикальный слэш, с заголовком.

mergeSchema является true в FORMAT_OPTIONS, потому что входные файлы могут иметь различия в заголовках или разделителях.

CREATE TABLE IF NOT EXISTS my_pipe_data;

COPY INTO my_pipe_data
  FROM 'abfss://[email protected]/base/path'
  FILEFORMAT = CSV
  FORMAT_OPTIONS ('mergeSchema' = 'true',
                  'delimiter' = '|',
                  'header' = 'true')
  COPY_OPTIONS ('mergeSchema' = 'true');

Игнорирование поврежденных файлов при загрузке данных

Если данные, которые вы загружаете, не удается прочитать из-за некоторых проблем с повреждением, эти файлы можно пропустить, задав параметр ignoreCorruptFilestrue в поле FORMAT_OPTIONS.

Результат команды COPY INTO возвращает количество пропущенных файлов из-за повреждения в столбце num_skipped_corrupt_files. Эта метрика также отображается в столбце operationMetrics под numSkippedCorruptFiles после выполнения DESCRIBE HISTORY в таблице Delta.

Поврежденные файлы не отслеживаются COPY INTO, поэтому их можно перезагрузить в последующем запуске, если повреждение исправлено. Чтобы посмотреть, какие файлы повреждены, выполните команду COPY INTO в режиме VALIDATE.

COPY INTO my_table
FROM '/path/to/files'
FILEFORMAT = <format>
[VALIDATE ALL]
FORMAT_OPTIONS ('ignoreCorruptFiles' = 'true')