Začínáme používat funkci COPY INTO k načtení dat

  • Článek

Příkaz COPY INTO SQL umožňuje načíst data z umístění souboru do tabulky Delta. Jedná se o re-triable a idempotentní operace; soubory ve zdrojovém umístění, které již byly načteny, se přeskočí.

COPY INTO nabízí následující možnosti:

  • Snadno konfigurovatelné filtry souborů nebo adresářů z cloudového úložiště, včetně svazků S3, ADLS Gen2, ABFS, GCS a Unity Catalog.
  • Podpora více zdrojových formátů souborů: CSV, JSON, XML, Avro, ORC, Parquet, text a binární soubory
  • Zpracování souboru přesně jednou (idempotentní) ve výchozím nastavení
  • Odvození schématu cílové tabulky, mapování, sloučení a vývoj

Poznámka:

Pro škálovatelné a robustnější prostředí pro příjem souborů doporučuje Databricks, aby uživatelé SQL využívali streamované tabulky. Viz Načtení dat pomocí streamovaných tabulek v Databricks SQL.

Upozorňující

COPY INTO respektuje nastavení pracovního prostoru pro vektory odstranění. Pokud je tato možnost povolená, jsou v cílové tabulce povoleny vektory odstranění, pokud COPY INTO běží na SQL Warehouse nebo ve výpočetním prostředí Databricks Runtime 14.0 nebo novějším. Po povolení blokují vektory odstranění dotazy na tabulku v Databricks Runtime 11.3 LTS a níže. Podívejte se , co jsou vektory odstranění? a vektory automatického povolení odstranění.

Požadavky

Správce účtu musí postupovat podle kroků v části Konfigurace přístupu k datům pro příjem dat a nakonfigurovat přístup k datům v cloudovém úložišti objektů, aby uživatelé mohli načítat data pomocí COPY INTO.

Příklad: Načtení dat do tabulky Delta Lake bez schématu

Poznámka:

Tato funkce je dostupná ve verzi Databricks Runtime 11.3 LTS a vyšší.

Prázdné zástupné tabulky Delta můžete vytvořit tak, aby se schéma později odvodilo během COPY INTO příkazu nastavením na :mergeSchematrueCOPY_OPTIONS

CREATE TABLE IF NOT EXISTS my_table
[COMMENT <table-description>]
[TBLPROPERTIES (<table-properties>)];

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

Výše uvedený příkaz SQL je idempotentní a dá se naplánovat tak, aby se data spouštěla přesně jednou do tabulky Delta.

Poznámka:

Prázdná tabulka Delta není použitelná mimo COPY INTO. INSERT INTO a MERGE INTO nejsou podporovány pro zápis dat do tabulek Delta bez schématu. Po vložení dat do tabulky s COPY INTOtabulkou se tabulka stane dotazovatelnou.

Viz Vytvoření cílových tabulek pro COPY INTO.

Příklad: Nastavení schématu a načtení dat do tabulky Delta Lake

Následující příklad ukazuje, jak vytvořit tabulku Delta a pak pomocí COPY INTO příkazu SQL načíst ukázková data z datových sad Databricks do tabulky. Ukázkový kód Pythonu, R, Scaly nebo SQL můžete spustit z poznámkového bloku připojeného ke clusteru Azure Databricks. Kód SQL můžete také spustit z dotazu přidruženého k SQL Warehouse v Databricks SQL.

SQL

DROP TABLE IF EXISTS default.loan_risks_upload;

CREATE TABLE default.loan_risks_upload (
  loan_id BIGINT,
  funded_amnt INT,
  paid_amnt DOUBLE,
  addr_state STRING
);

COPY INTO default.loan_risks_upload
FROM '/databricks-datasets/learning-spark-v2/loans/loan-risks.snappy.parquet'
FILEFORMAT = PARQUET;

SELECT * FROM default.loan_risks_upload;

-- Result:
-- +---------+-------------+-----------+------------+
-- | loan_id | funded_amnt | paid_amnt | addr_state |
-- +=========+=============+===========+============+
-- | 0       | 1000        | 182.22    | CA         |
-- +---------+-------------+-----------+------------+
-- | 1       | 1000        | 361.19    | WA         |
-- +---------+-------------+-----------+------------+
-- | 2       | 1000        | 176.26    | TX         |
-- +---------+-------------+-----------+------------+
-- ...

Python

table_name = 'default.loan_risks_upload'
source_data = '/databricks-datasets/learning-spark-v2/loans/loan-risks.snappy.parquet'
source_format = 'PARQUET'

spark.sql("DROP TABLE IF EXISTS " + table_name)

spark.sql("CREATE TABLE " + table_name + " (" \
  "loan_id BIGINT, " + \
  "funded_amnt INT, " + \
  "paid_amnt DOUBLE, " + \
  "addr_state STRING)"
)

spark.sql("COPY INTO " + table_name + \
  " FROM '" + source_data + "'" + \
  " FILEFORMAT = " + source_format
)

loan_risks_upload_data = spark.sql("SELECT * FROM " + table_name)

display(loan_risks_upload_data)

'''
Result:
+---------+-------------+-----------+------------+
| loan_id | funded_amnt | paid_amnt | addr_state |
+=========+=============+===========+============+
| 0       | 1000        | 182.22    | CA         |
+---------+-------------+-----------+------------+
| 1       | 1000        | 361.19    | WA         |
+---------+-------------+-----------+------------+
| 2       | 1000        | 176.26    | TX         |
+---------+-------------+-----------+------------+
...
'''

R

library(SparkR)
sparkR.session()

table_name = "default.loan_risks_upload"
source_data = "/databricks-datasets/learning-spark-v2/loans/loan-risks.snappy.parquet"
source_format = "PARQUET"

sql(paste("DROP TABLE IF EXISTS ", table_name, sep = ""))

sql(paste("CREATE TABLE ", table_name, " (",
  "loan_id BIGINT, ",
  "funded_amnt INT, ",
  "paid_amnt DOUBLE, ",
  "addr_state STRING)",
  sep = ""
))

sql(paste("COPY INTO ", table_name,
  " FROM '", source_data, "'",
  " FILEFORMAT = ", source_format,
  sep = ""
))

loan_risks_upload_data = tableToDF(table_name)

display(loan_risks_upload_data)

# Result:
# +---------+-------------+-----------+------------+
# | loan_id | funded_amnt | paid_amnt | addr_state |
# +=========+=============+===========+============+
# | 0       | 1000        | 182.22    | CA         |
# +---------+-------------+-----------+------------+
# | 1       | 1000        | 361.19    | WA         |
# +---------+-------------+-----------+------------+
# | 2       | 1000        | 176.26    | TX         |
# +---------+-------------+-----------+------------+
# ...

Scala

val table_name = "default.loan_risks_upload"
val source_data = "/databricks-datasets/learning-spark-v2/loans/loan-risks.snappy.parquet"
val source_format = "PARQUET"

spark.sql("DROP TABLE IF EXISTS " + table_name)

spark.sql("CREATE TABLE " + table_name + " (" +
  "loan_id BIGINT, " +
  "funded_amnt INT, " +
  "paid_amnt DOUBLE, " +
  "addr_state STRING)"
)

spark.sql("COPY INTO " + table_name +
  " FROM '" + source_data + "'" +
  " FILEFORMAT = " + source_format
)

val loan_risks_upload_data = spark.table(table_name)

display(loan_risks_upload_data)

/*
Result:
+---------+-------------+-----------+------------+
| loan_id | funded_amnt | paid_amnt | addr_state |
+=========+=============+===========+============+
| 0       | 1000        | 182.22    | CA         |
+---------+-------------+-----------+------------+
| 1       | 1000        | 361.19    | WA         |
+---------+-------------+-----------+------------+
| 2       | 1000        | 176.26    | TX         |
+---------+-------------+-----------+------------+
...
*/

Pokud chcete tabulku vyčistit, spusťte následující kód, který odstraní tabulku:

Python

spark.sql("DROP TABLE " + table_name)

R

sql(paste("DROP TABLE ", table_name, sep = ""))

Scala

spark.sql("DROP TABLE " + table_name)

SQL

DROP TABLE default.loan_risks_upload

Reference

  • Databricks Runtime 7.x a vyšší: COPY INTO

Další materiály