O que é Auto Loader?

O Carregador Automático processa de modo incremental e eficiente os novos ficheiros de dados à medida que chegam ao armazenamento na cloud sem qualquer configuração adicional.

Como funciona o Auto Loader?

O Auto Loader processa de forma incremental e eficiente novos ficheiros de dados à medida que chegam ao armazenamento na nuvem. O Auto Loader pode carregar arquivos de dados do AWS S3 (), Azure Data Lake Storage Gen2 (ADLS Gen2, ), Google Cloud Storage (GCS, ), Azure Blob Storage (), ADLS Gen1 () e Databricks File System (s3://adl://wasbs://DBFS, ). abfss://gs://dbfs:/ Auto Loader pode ingerir JSON, , , , , , PARQUETAVROXMLORCCSVTEXTe BINARYFILE formatos de arquivo.

Nota

O Auto Loader fornece uma fonte de Streaming Estruturado chamada cloudFiles. Dado um caminho de diretório de entrada no armazenamento de arquivos em nuvem, a fonte processa automaticamente novos arquivos à medida que eles chegam, com a cloudFiles opção de também processar arquivos existentes nesse diretório. Auto Loader tem suporte para Python e SQL em Delta Live Tables.

Você pode usar o Auto Loader para processar bilhões de arquivos para migrar ou preencher uma tabela. O Auto Loader é dimensionado para suportar a ingestão quase em tempo real de milhões de ficheiros por hora.

Como o Auto Loader rastreia o progresso da ingestão?

À medida que os arquivos são descobertos, seus metadados são mantidos em um armazenamento de chave-valor escalável (RocksDB) no local do ponto de verificação do pipeline do Auto Loader. Esse armazenamento de chave-valor garante que os dados sejam processados exatamente uma vez.

Em caso de falhas, o Auto Loader pode retomar de onde parou por informações armazenadas no local do ponto de verificação e continuar a fornecer garantias exatas uma vez ao gravar dados no Delta Lake. Você não precisa manter ou gerenciar nenhum estado sozinho para alcançar tolerância a falhas ou semântica exata uma vez.

Ingestão incremental usando Auto Loader com Delta Live Tables

A Databricks recomenda o Auto Loader em Delta Live Tables para ingestão incremental de dados. O Delta Live Tables estende a funcionalidade no Apache Spark Structured Streaming e permite que você escreva apenas algumas linhas de Python ou SQL declarativo para implantar um pipeline de dados com qualidade de produção com:

  • Dimensionamento automático da infraestrutura de computação para economia de custos
  • Verificações de qualidade de dados com expectativas
  • Tratamento automático da evolução do esquema
  • Monitoramento por meio de métricas no log de eventos

Você não precisa fornecer um esquema ou local de ponto de verificação porque o Delta Live Tables gerencia automaticamente essas configurações para seus pipelines. Consulte Carregar dados com Delta Live Tables.

A Databricks também recomenda o Auto Loader sempre que você usar o Apache Spark Structured Streaming para ingerir dados do armazenamento de objetos na nuvem. As APIs estão disponíveis em Python e Scala.

Introdução ao Databricks Auto Loader

Consulte os seguintes artigos para começar a configurar a ingestão incremental de dados usando o Auto Loader com Delta Live Tables:

Exemplos: Padrões comuns do carregador automático

Para obter exemplos de padrões comuns do Auto Loader, consulte Padrões comuns de carregamento de dados.

Configurar opções do Auto Loader

Você pode ajustar o Auto Loader com base no volume, variedade e velocidade dos dados.

Para obter uma lista completa das opções do Auto Loader, consulte:

Se encontrar um desempenho inesperado, consulte as Perguntas frequentes.

Configurar os modos de deteção de ficheiros do Auto Loader

Auto Loader suporta dois modos de deteção de arquivos. Veja:

Benefícios do Auto Loader em relação ao uso do Structured Streaming diretamente nos arquivos

No Apache Spark, você pode ler arquivos incrementalmente usando spark.readStream.format(fileFormat).load(directory)o . O Auto Loader oferece os seguintes benefícios em relação à origem do arquivo:

  • Escalabilidade: Auto Loader pode descobrir bilhões de arquivos de forma eficiente. Os backfills podem ser realizados de forma assíncrona para evitar o desperdício de recursos de computação.
  • Desempenho: O custo de descobrir arquivos com o Auto Loader é dimensionado com o número de arquivos que estão sendo ingeridos em vez do número de diretórios em que os arquivos podem chegar. Consulte O que é o modo de listagem de diretórios do Auto Loader?.
  • Inferência de esquema e suporte à evolução: o Auto Loader pode detetar desvios de esquema, notificá-lo quando alterações de esquema acontecerem e resgatar dados que, de outra forma, teriam sido ignorados ou perdidos. Consulte Como funciona a inferência de esquema do Auto Loader?.
  • Custo: o Auto Loader usa APIs nativas na nuvem para obter listas de arquivos que existem no armazenamento. Além disso, o modo de notificação de arquivos do Auto Loader pode ajudar a reduzir ainda mais seus custos na nuvem, evitando completamente a listagem de diretórios. O Auto Loader pode configurar automaticamente os serviços de notificação de arquivos no armazenamento para tornar a descoberta de arquivos muito mais barata.