Kom igång med COPY INTO för att läsa in data

  • Artikel

Med COPY INTO SQL-kommandot kan du läsa in data från en filplats till en Delta-tabell. Det här är en omtribar och idempotent åtgärd. filer på källplatsen som redan har lästs in hoppas över.

COPY INTO erbjuder följande funktioner:

  • Konfigurera enkelt fil- eller katalogfilter från molnlagring, inklusive volymer för S3, ADLS Gen2, ABFS, GCS och Unity Catalog.
  • Stöd för flera källfilformat: CSV, JSON, XML, Avro, ORC, Parquet, text och binära filer
  • Filbearbetning exakt en gång (idempotent) som standard
  • Måltabellschemainferens, mappning, sammanslagning och utveckling

Kommentar

För en mer skalbar och robust filinmatning rekommenderar Databricks att SQL-användare använder strömningstabeller. Se Läsa in data med hjälp av strömmande tabeller i Databricks SQL.

Varning

COPY INTO respekterar arbetsyteinställningen för borttagningsvektorer. Om det är aktiverat aktiveras borttagningsvektorer i måltabellen när COPY INTO de körs på ett SQL-lager eller en beräkning som kör Databricks Runtime 14.0 eller senare. När det är aktiverat blockerar borttagningsvektorer frågor mot en tabell i Databricks Runtime 11.3 LTS och nedan. Se Vad är borttagningsvektorer? och Automatisk aktivering av borttagningsvektorer.

Krav

En kontoadministratör måste följa stegen i Konfigurera dataåtkomst för inmatning för att konfigurera åtkomst till data i molnobjektlagring innan användarna kan läsa in data med .COPY INTO

Exempel: Läsa in data i en schemalös Delta Lake-tabell

Kommentar

Den här funktionen är tillgänglig i Databricks Runtime 11.3 LTS och senare.

Du kan skapa tomma deltatabeller för platshållare så att schemat senare härleds under ett COPY INTO kommando genom att ange mergeSchema i trueCOPY_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');

SQL-instruktionen ovan är idempotent och kan schemaläggas att köras för att mata in data exakt en gång i en Delta-tabell.

Kommentar

Den tomma Delta-tabellen kan inte användas utanför COPY INTO. INSERT INTO och MERGE INTO stöds inte för att skriva data till schemalösa Delta-tabeller. När data har infogats i tabellen med COPY INTOblir tabellen frågebar.

Se Skapa måltabeller för KOPIERA TILL.

Exempel: Ange schema och läs in data i en Delta Lake-tabell

I följande exempel visas hur du skapar en Delta-tabell och sedan använder COPY INTO SQL-kommandot för att läsa in exempeldata från Databricks-datamängder i tabellen. Du kan köra python-, R-, Scala- eller SQL-exempelkoden från en notebook-fil som är kopplad till ett Azure Databricks-kluster. Du kan också köra SQL-koden från en fråga som är associerad med ett SQL-lager i 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         |
+---------+-------------+-----------+------------+
...
*/

Om du vill rensa kör du följande kod, som tar bort tabellen:

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

Referens

Ytterligare resurser