Share via

Criar e alterar tabelas externas do Armazenamento do Microsoft Azure

  • Artigo

Os comandos neste artigo podem ser usados para criar ou alterar uma tabela externa do Armazenamento do Azure no banco de dados do qual o comando é executado. Uma tabela externa do Armazenamento do Azure faz referência a dados localizados em Armazenamento de Blobs do Azure, no Azure Data Lake Store Gen1 ou no Azure Data Lake Store Gen2.

Observação

Se a tabela existir, o .create comando falhará com um erro. Use .create-or-alter ou .alter para modificar tabelas existentes.

Permissões

Para .create requer pelo menos permissões de Usuário de Banco de Dados e para .alter requer pelo menos permissões de Administração de Tabela.

Para .create-or-alter uma tabela externa usando a autenticação de identidade gerenciada, é necessário ter permissões AllDatabasesAdmin .

Syntax

(.create | .create-or-alter.alter | ) externaltableEsquema TableName()=kindstorage [partition(byPartições ) [pathformat=(PathFormat)]]dataformat= DataFormat (StorageConnectionString [, ...] ) [with(Propriedade [, ...])]

Observação

kind é storage para todos os tipos de armazenamento de dados externos do Armazenamento do Azure. blob e adl são termos preteridos.

Saiba mais sobre as convenções de sintaxe.

Parâmetros

Nome Tipo Obrigatório Descrição
TableName string ✔️ Um nome de tabela externa que segue as regras de nomes de entidade . Uma tabela externa não pode ter o mesmo nome que uma tabela regular no mesmo banco de dados.
Esquema string ✔️ O esquema de dados externos é uma lista separada por vírgulas de um ou mais nomes de coluna e tipos de dados, em que cada item segue o formato: ColumnName:ColumnType. Se o esquema for desconhecido, use infer_storage_schema para inferir o esquema com base no conteúdo do arquivo externo.
Partições string Uma lista separada por vírgulas de colunas pelas quais a tabela externa é particionada. A coluna de partição pode existir no próprio arquivo de dados ou como parte do caminho do arquivo. Confira a formatação de partições para saber como esse valor deve ser.
PathFormat string Um formato de caminho de URI de pasta de dados externo a ser usado com partições. Confira o formato do caminho.
DataFormat string ✔️ O formato de dados, que pode ser qualquer um dos formatos de ingestão. É recomendável usar o Parquet formato para tabelas externas para melhorar o desempenho de consulta e exportação, a menos que você use JSON o mapeamento de caminhos. Ao usar uma tabela externa para o cenário de exportação, você está limitado aos seguintes formatos: CSV, JSONTSVe Parquet.
StorageConnectionString string ✔️ Um ou mais caminhos separados por vírgulas para Armazenamento de Blobs do Azure contêineres de blob, sistemas de arquivos do Azure Data Lake Gen 2 ou contêineres do Azure Data Lake Gen 1, incluindo credenciais. O tipo de armazenamento de tabela externa é determinado pelas cadeias de conexão fornecidas. Consulte cadeias de conexão de armazenamento.
Propriedade string Um par de propriedades chave-valor no formato PropertyName=PropertyValue. Consulte propriedades opcionais.

Observação

Arquivos CSV com esquema não idêntico podem resultar em dados que aparecem deslocados ou ausentes. É recomendável separar arquivos CSV com esquemas distintos para separar contêineres de armazenamento e definir uma tabela externa para cada contêiner de armazenamento com o esquema adequado.

Dica

Forneça mais de uma única conta de armazenamento para evitar a limitação de armazenamento enquanto exporta grandes quantidades de dados para a tabela externa. A exportação distribuirá as gravações entre todas as contas fornecidas.

Autenticação e autorização

O método de autenticação para acessar uma tabela externa baseia-se no cadeia de conexão fornecido durante sua criação e as permissões necessárias para acessar a tabela variam dependendo do método de autenticação.

A tabela a seguir lista os métodos de autenticação com suporte para tabelas externas do Armazenamento do Azure e as permissões necessárias para ler ou gravar na tabela.

Método de autenticação Armazenamento de Blobs do Azure/Data Lake Storage Gen2 Data Lake Storage Gen1
Representação Permissões de leitura: Leitor de Dados de Blob de Armazenamento
Permissões de gravação: Colaborador de Dados de Blob de Armazenamento		 Permissões de leitura: Leitor
Permissões de gravação: Contribuinte
Identidade gerenciada Permissões de leitura: Leitor de Dados de Blob de Armazenamento
Permissões de gravação: Colaborador de Dados de Blob de Armazenamento		 Permissões de leitura: Leitor
Permissões de gravação: Contribuinte
Token DE ACESSO Compartilhado (SAS) Permissões de leitura: Lista + Leitura
Permissões de gravação: Escrever		 Não há suporte para esse método de autenticação no Gen1.
Microsoft Entra token de acesso Nenhuma permissão adicional é necessária. Nenhuma permissão adicional é necessária.
Chave de acesso da conta de armazenamento Nenhuma permissão adicional é necessária. Não há suporte para esse método de autenticação no Gen1.

Formatação de partições

A lista de partições é qualquer combinação de colunas de partição, especificada usando um dos formulários mostrados na tabela a seguir.

Tipo de partição Syntax Observações
Coluna virtual Partitionname: (datetime | string) Leia mais sobre colunas virtuais.
Valor da coluna de cadeia de caracteres Partitionname:string=Columnname
Hash do valor da coluna de cadeia de caracteres Partitionname:long=hash(Columnname,Número) O hash é modulo Number.
Coluna datetime truncada (valor) Partitionname:datetime= (startofyear | startofdaystartofweekstartofmonth | | ) (ColumnName) Consulte a documentação sobre as funções startofyear, startofmonth, startofweek ou startofday .
Valor da coluna Datetime truncada (compartimento) Partitionname:datetime=bin(Columnname,Timespan) Leia mais sobre a função bin .

Formato do caminho

O parâmetro PathFormat permite que você especifique o formato para o caminho de URI da pasta de dados externa, além de partições. Ele consiste em uma sequência de elementos de partição e separadores de texto. Um elemento de partição refere-se a uma partição declarada na cláusula de partição by e o separador de texto é qualquer texto entre aspas. Elementos de partição consecutivos devem ser separados usando o separador de texto.

[ StringSeparator ] Partição [ StringSeparator ] [Partição [ StringSeparator ] ...]

Para construir o prefixo de caminho de arquivo original, os elementos de partição são renderizados como cadeias de caracteres e separados por separadores de texto correspondentes. Você pode usar a datetime_pattern macro (datetime_pattern(DateTimeFormat,PartitionName)) para especificar o formato usado para renderizar um valor de partição datetime. A macro segue a especificação de formato .NET e permite que os especificadores de formato sejam colocados entre colchetes. Por exemplo, os dois formatos a seguir são equivalentes:

  • 'year='yyyy'/month='MM
  • year={yyyy}/month={MM}

Por padrão, os valores datetime são renderizados usando os seguintes formatos:

Função de partição Formato padrão
startofyear yyyy
startofmonth yyyy/MM
startofweek yyyy/MM/dd
startofday yyyy/MM/dd
bin(Coluna, 1d) yyyy/MM/dd
bin(Coluna, 1h) yyyy/MM/dd/HH
bin(Coluna, 1m) yyyy/MM/dd/HH/mm

Dica

Para marcar a correção da definição de Partições e PathFormat, use a propriedade sampleUris ou filesPreview ao criar uma tabela externa.

Colunas virtuais

Quando os dados são exportados do Spark, as colunas de partição (fornecidas para o método do gravador de partitionBy dataframe) não são gravadas em arquivos de dados. Esse processo evita a duplicação de dados porque os dados já estão presentes nos nomes das pastas (por exemplo, column1=<value>/column2=<value>/) e o Spark pode reconhecê-los após a leitura.

As tabelas externas dão suporte à leitura desses dados na forma de virtual colums. As colunas virtuais podem ser do tipo string ou datetimee são especificadas usando a seguinte sintaxe:

.create external table ExternalTable (EventName:string, Revenue:double)  
kind=storage  
partition by (CustomerName:string, Date:datetime)  
pathformat=("customer=" CustomerName "/date=" datetime_pattern("yyyyMMdd", Date))  
dataformat=parquet
( 
   h@'https://storageaccount.blob.core.windows.net/container1;secretKey'
)

Para filtrar por colunas virtuais em uma consulta, especifique nomes de partição no predicado de consulta:

external_table("ExternalTable")
 | where Date between (datetime(2020-01-01) .. datetime(2020-02-01))
 | where CustomerName in ("John.Doe", "Ivan.Ivanov")

Propriedades opcionais

Propriedade Tipo Descrição
folder string Pasta da tabela
docString string Cadeia de caracteres documentando a tabela
compressed bool Se definido, indica se os arquivos são compactados como .gz arquivos (usados somente no cenário de exportação )
includeHeaders string Para formatos de texto delimitados (CSV, TSV, ...), indica se os arquivos contêm um cabeçalho. Os valores possíveis são: All (todos os arquivos contêm um cabeçalho), FirstFile (o primeiro arquivo em uma pasta contém um cabeçalho) None (nenhum arquivo contém um cabeçalho).
namePrefix string Se definido, indica o prefixo dos arquivos. Em operações de gravação, todos os arquivos serão gravados com esse prefixo. Em operações de leitura, somente os arquivos com esse prefixo são lidos.
fileExtension string Se definido, indica extensões de arquivo dos arquivos. Na gravação, os nomes dos arquivos terminarão com esse sufixo. Na leitura, somente os arquivos com essa extensão de arquivo serão lidos.
encoding string Indica como o texto é codificado: UTF8NoBOM (padrão) ou UTF8BOM.
sampleUris bool Se definido, o resultado do comando fornece vários exemplos de URI de arquivos de dados externos simulados, conforme esperado pela definição de tabela externa. Essa opção ajuda a validar se os parâmetros Partitions e PathFormat estão definidos corretamente.
filesPreview bool Se definido, uma das tabelas de resultados de comando contém uma visualização do comando .show external table artifacts . Assim como sampleUri, a opção ajuda a validar os parâmetros Partitions e PathFormat da definição de tabela externa.
validateNotEmpty bool Se definido, as cadeias de conexão serão validadas para ter conteúdo nelas. O comando falhará se o local do URI especificado não existir ou se não houver permissões suficientes para acessá-lo.
dryRun bool Se definido, a definição de tabela externa não será persistida. Essa opção é útil para validar a definição de tabela externa, especialmente em conjunto com o filesPreview parâmetro ou sampleUris .

Observação

A tabela externa não é acessada durante a criação, somente durante a consulta e a exportação. Use a propriedade opcional durante a validateNotEmpty criação para verificar se a definição da tabela é válida e se o armazenamento está acessível.

Dica

Para saber mais sobre a função namePrefix e fileExtension as propriedades desempenhadas na filtragem de arquivo de dados durante a consulta, consulte a seção lógica de filtragem de arquivos .

Lógica de filtragem de arquivos

Ao consultar uma tabela externa, o desempenho é aprimorado filtrando arquivos de armazenamento externo irrelevantes. O processo de iterar arquivos e decidir se um arquivo deve ser processado é o seguinte:

  1. Crie um padrão de URI que representa um local onde os arquivos são encontrados. Inicialmente, o padrão de URI é igual a um cadeia de conexão fornecido como parte da definição de tabela externa. Se houver partições definidas, elas serão renderizadas usando PathFormat e acrescentadas ao padrão de URI.

  2. Para todos os arquivos encontrados nos padrões de URI criados, marcar que:

    • Os valores de partição correspondem aos predicados usados em uma consulta.
    • O nome do blob começa com NamePrefix, se essa propriedade for definida.
    • O nome do blob terminará com FileExtension, se essa propriedade for definida.

Depois que todas as condições forem atendidas, o arquivo será buscado e processado.

Observação

O padrão de URI inicial é criado usando valores de predicado de consulta. Isso funciona melhor para um conjunto limitado de valores de cadeia de caracteres, bem como para intervalos de tempo fechados.

Exemplos

Tabela externa não particionada

Na tabela externa não particionada a seguir, espera-se que os arquivos sejam colocados diretamente sob os contêineres definidos:

.create external table ExternalTable (x:long, s:string)  
kind=storage 
dataformat=csv 
( 
   h@'https://storageaccount.blob.core.windows.net/container1;secretKey' 
)

Particionado por data

Na tabela externa a seguir particionada por data, espera-se que os arquivos sejam colocados em diretórios do formato yyyy/MM/dddatetime padrão:

.create external table ExternalTable (Timestamp:datetime, x:long, s:string) 
kind=storage
partition by (Date:datetime = bin(Timestamp, 1d)) 
dataformat=csv 
( 
   h@'abfss://filesystem@storageaccount.dfs.core.windows.net/path;secretKey'
)

Particionado por mês

Na tabela externa a seguir particionada por mês, o formato de diretório é year=yyyy/month=MM:

.create external table ExternalTable (Timestamp:datetime, x:long, s:string) 
kind=storage 
partition by (Month:datetime = startofmonth(Timestamp)) 
pathformat=(datetime_pattern("'year='yyyy'/month='MM", Month)) 
dataformat=csv 
( 
   h@'https://storageaccount.blob.core.windows.net/container1;secretKey' 
)

Particionado por nome e data

Na tabela externa a seguir, os dados são particionados primeiro pelo nome do cliente e, em seguida, por data, o que significa que a estrutura de diretório esperada é, por exemplo, customer_name=Softworks/2019/02/01:

.create external table ExternalTable (Timestamp:datetime, CustomerName:string) 
kind=storage 
partition by (CustomerNamePart:string = CustomerName, Date:datetime = startofday(Timestamp)) 
pathformat=("customer_name=" CustomerNamePart "/" Date)
dataformat=csv 
(  
   h@'https://storageaccount.blob.core.windows.net/container1;secretKey' 
)

Particionado por hash e data

A tabela externa a seguir é particionada primeiro pelo hash de nome do cliente (módulo dez) e, em seguida, por data. A estrutura de diretório esperada é, por exemplo, customer_id=5/dt=20190201, e os nomes de arquivo de dados terminam com a .txt extensão :

.create external table ExternalTable (Timestamp:datetime, CustomerName:string) 
kind=storage 
partition by (CustomerId:long = hash(CustomerName, 10), Date:datetime = startofday(Timestamp)) 
pathformat=("customer_id=" CustomerId "/dt=" datetime_pattern("yyyyMMdd", Date)) 
dataformat=csv 
( 
   h@'https://storageaccount.blob.core.windows.net/container1;secretKey'
)
with (fileExtension = ".txt")

Filtrar por colunas de partição em uma consulta

Para filtrar por colunas de partição em uma consulta, especifique o nome da coluna original no predicado de consulta:

external_table("ExternalTable")
 | where Timestamp between (datetime(2020-01-01) .. datetime(2020-02-01))
 | where CustomerName in ("John.Doe", "Ivan.Ivanov")

Saída de exemplo

TableName TableType Pasta DocString Propriedades ConnectionStrings Partições PathFormat
ExternalTable Blob ExternalTables Docs {"Format":"Csv","Compressed":false,"CompressionType":null,"FileExtension":null,"IncludeHeaders":"None","Encoding":null,"NamePrefix":null} ["https://storageaccount.blob.core.windows.net/container1;*******"] [{"Mod":10,"Name":"CustomerId","ColumnName":"CustomerName","Ordinal":0},{"Function":"StartOfDay","Name":"Date","ColumnName":"Timestamp","Ordinal":1}] "customer_id=" CustomerId "/dt=" datetime_pattern("yyyyMMdd",Date)

Conteúdo relacionado