Opties voor automatisch laden

Configuratieopties die specifiek zijn voor de cloudFiles bron, worden voorafgegaan door cloudFiles , zodat ze zich in een afzonderlijke naamruimte bevinden van andere opties voor gestructureerd streamen.

• Algemene opties voor automatisch laden
• Opties voor adreslijstvermelding
• Opties voor bestandsmeldingen
• Opties voor bestandsindeling
  • Algemene opties
  • JSON Opties
  • CSV Opties
  • XML Opties
  • PARQUET Opties
  • AVRO Opties
  • BINARYFILE Opties
  • TEXT Opties
  • ORC Opties
• Cloudspecifieke opties
  • AWS-specifieke opties
  • Specifieke Opties voor Azure
  • Specifieke Google-opties

Algemene opties voor automatisch laden

U kunt de volgende opties configureren voor het weergeven van directory's of de notificatiemodus voor bestanden.

Optie
cloudFiles.allowOverwrites Typ: Boolean Of wijzigingen in invoerbestanden bestaande gegevens mogen overschrijven. Er zijn enkele kanttekeningen met betrekking tot het inschakelen van deze configuratie. Raadpleeg Verwerkt Auto Loader het bestand opnieuw wanneer het bestand wordt toegevoegd of overschreven? voor meer informatie. Standaardwaarde: false
cloudFiles.backfillInterval Type: Interval String Auto Loader kan asynchrone backfills op een vastgesteld interval activeren. 1 day bijvoorbeeld om eenmaal per dag in te vullen of 1 week om een keer per week in te vullen. Meldingssystemen voor bestandsgebeurtenissen garanderen geen 100% levering van alle bestanden die zijn geüpload, daarom kunt u backfills gebruiken om te garanderen dat alle bestanden uiteindelijk worden verwerkt, beschikbaar in Databricks Runtime 8.4 (EoS) en hoger. Standaardwaarde: Geen
cloudFiles.format Type: String De indeling van het gegevensbestand in het bronpad. Toegestane waarden zijn: avro: Avro-bestand binaryFile: binair bestand csv: CSV-bestanden lezen json: JSON-bestand orc: ORC-bestand parquet: Parquet-bestanden lezen met behulp van Azure Databricks text: tekstbestanden xml: XML-bestanden lezen en schrijven Standaardwaarde: Geen (vereiste optie)
cloudFiles.includeExistingFiles Typ: Boolean Of u bestaande bestanden in het invoerpad voor stroomverwerking wilt opnemen of alleen nieuwe bestanden wilt verwerken die binnenkomen na de eerste installatie. Deze optie wordt alleen geëvalueerd wanneer u een stream voor de eerste keer start. Als u deze optie wijzigt nadat de stream opnieuw is opgestart, heeft dit geen effect. Standaardwaarde: true
cloudFiles.inferColumnTypes Typ: Boolean Of u exacte kolomtypen wilt afleiden bij het gebruik van schemadeductie. Kolommen worden standaard afgeleid als tekenreeksen bij het afleiden van JSON- en CSV-gegevenssets. Zie schemadeductie voor meer informatie. Standaardwaarde: false
cloudFiles.maxBytesPerTrigger Type: Byte String Het maximum aantal nieuwe bytes dat in elke trigger moet worden verwerkt. U kunt een bytetekenreeks opgeven, bijvoorbeeld 10g om elke microbatch te beperken tot 10 GB aan gegevens. Dit is een zacht maximum. Als u bestanden hebt die elk 3 GB zijn, verwerkt Azure Databricks 12 GB in een microbatch. Wanneer Azure Databricks samen met cloudFiles.maxFilesPerTrigger wordt gebruikt, verbruikt Azure Databricks tot de ondergrens van cloudFiles.maxFilesPerTrigger of cloudFiles.maxBytesPerTrigger, afhankelijk van welke het eerst wordt bereikt. Deze optie heeft geen effect wanneer deze wordt gebruikt met Trigger.Once() (Trigger.Once() is verouderd). Standaardwaarde: Geen
cloudFiles.maxFileAge Type: Interval String Hoe lang een bestandsgebeurtenis wordt bijgehouden voor ontdubbelingsdoeleinden. Databricks raadt u aan deze parameter niet af te stemmen, tenzij u gegevens opneemt in de volgorde van miljoenen bestanden per uur. Zie de sectie over gebeurtenisretentie voor meer informatie. Het afstemmen cloudFiles.maxFileAge kan te agressief leiden tot problemen met gegevenskwaliteit, zoals dubbele opname of ontbrekende bestanden. Daarom raadt Databricks een conservatieve instelling aan voor cloudFiles.maxFileAge, zoals 90 dagen, die vergelijkbaar is met wat vergelijkbare oplossingen voor gegevensopname aanbevelen. Standaardwaarde: Geen
cloudFiles.maxFilesPerTrigger Type: Integer Het maximum aantal nieuwe bestanden dat in elke trigger moet worden verwerkt. Wanneer Azure Databricks samen met cloudFiles.maxBytesPerTrigger wordt gebruikt, verbruikt Azure Databricks tot de ondergrens van cloudFiles.maxFilesPerTrigger of cloudFiles.maxBytesPerTrigger, afhankelijk van welke het eerst wordt bereikt. Deze optie heeft geen effect wanneer deze wordt gebruikt met Trigger.Once() (afgeschaft). Standaardwaarde: 1000
cloudFiles.partitionColumns Type: String Een door komma's gescheiden lijst met partitiekolommen in Hive-stijl die u wilt afleiden uit de mapstructuur van de bestanden. Partitiekolommen in Hive-stijl zijn sleutel-waardeparen gecombineerd door een gelijkheidsteken zoals <base-path>/a=x/b=1/c=y/file.format. In dit voorbeeld zijn ade partitiekolommen , ben c. Deze kolommen worden standaard automatisch toegevoegd aan uw schema als u schemadeductie gebruikt en de gegevens uit het <base-path> schema laadt. Als u een schema opgeeft, verwacht Auto Loader dat deze kolommen worden opgenomen in het schema. Als u deze kolommen niet wilt gebruiken als onderdeel van uw schema, kunt u deze kolommen negeren "" . Daarnaast kunt u deze optie gebruiken als u wilt dat kolommen het bestandspad in complexe mapstructuren worden afgeleid, zoals in het onderstaande voorbeeld: <base-path>/year=2022/week=1/file1.csv <base-path>/year=2022/month=2/day=3/file2.csv <base-path>/year=2022/month=2/day=4/file3.csv Het specificeren van cloudFiles.partitionColumns als year,month,day zal retourneerresultaten geven. year=2022 voor file1.csv, maar de month en day kolommen zijn null. month en day wordt correct geparseerd voor file2.csv en file3.csv. Standaardwaarde: Geen
cloudFiles.schemaEvolutionMode Type: String De manier om het schema aan te passen wanneer nieuwe kolommen in de gegevens worden ontdekt. Standaard worden kolommen afgeleid als tekenreeksen bij het afleiden van JSON-gegevenssets. Zie de ontwikkeling van schema's voor meer informatie. Standaardwaarde: "addNewColumns" wanneer er geen schema wordt opgegeven. "none" anders.
cloudFiles.schemaHints Typ: String Schema-informatie die u aan Auto Loader verstrekt tijdens schema-inferentie. Zie schemahints voor meer informatie. Standaardwaarde: Geen
cloudFiles.schemaLocation Typ: String De locatie voor het opslaan van het afgeleid schema en de volgende wijzigingen. Zie schemadeductie voor meer informatie. Standaardwaarde: Geen (vereist bij het afleiden van het schema)
cloudFiles.useStrictGlobber Type: Boolean Of u een strikte globber wilt gebruiken die overeenkomt met het standaardgedrag voor globbing van andere bestandsbronnen in Apache Spark. Zie Algemene patronen voor het laden van gegevens voor meer informatie. Beschikbaar in Databricks Runtime 12.2 LTS en hoger. Standaardwaarde: false
cloudFiles.validateOptions Type: Boolean Het al dan niet valideren van Autoloader-opties en het geven van een foutmelding voor onbekende of inconsistente opties. Standaardwaarde: true

Opties voor adreslijstvermelding

De volgende opties zijn relevant voor de lijstweergavemodus.

Optie

cloudFiles.useIncrementalListing (afgeschaft) Type: String Deze functie is afgeschaft. Databricks raadt aan om de modus voor bestandsmeldingen te gebruiken in plaats van cloudFiles.useIncrementalListing. Of u de incrementele vermelding wilt gebruiken in plaats van de volledige vermelding in de modus voor adreslijstvermeldingen. Auto Loader zet standaard de beste moeite in om automatisch te detecteren of een bepaalde map geschikt is voor het incrementeel vermelden. U kunt de incrementele vermelding expliciet gebruiken of de volledige adreslijstvermelding gebruiken door deze in te stellen als true of false respectievelijk. Het onjuist inschakelen van incrementele vermeldingen in een niet-lexisch geordende map voorkomt dat Auto Loader nieuwe bestanden ontdekt. Werkt met Azure Data Lake Storage (abfss://), S3 (s3://) en GCS (gs://). Beschikbaar in Databricks Runtime 9.1 LTS en hoger. Standaardwaarde: auto Beschikbare waarden: auto, truefalse

Opties voor bestandsmeldingen

De volgende opties zijn relevant voor de meldingsmodus voor bestanden.

Optie
cloudFiles.fetchParallelism Type: Integer Het aantal threads dat moet worden gebruikt bij het ophalen van berichten uit de wachtrijservice. Standaardwaarde: 1
cloudFiles.pathRewrites Type: Een JSON-tekenreeks Alleen vereist als u een queueUrl bestand opgeeft dat bestandsmeldingen van meerdere S3-buckets ontvangt en u koppelpunten wilt gebruiken die zijn geconfigureerd voor toegang tot gegevens in deze containers. Gebruik deze optie om het voorvoegsel van het bucket/key pad opnieuw te schrijven met het koppelpunt. Alleen voorvoegsels kunnen opnieuw worden geschreven. Bijvoorbeeld voor de configuratie {"<databricks-mounted-bucket>/path": "dbfs:/mnt/data-warehouse"}, het pad s3://<databricks-mounted-bucket>/path/2017/08/fileA.json wordt herschreven naar dbfs:/mnt/data-warehouse/2017/08/fileA.json. Standaardwaarde: Geen
cloudFiles.resourceTag Typ: Map(String, String) Een reeks sleutel-waardetagparen om gerelateerde resources te koppelen en te identificeren, bijvoorbeeld: cloudFiles.option("cloudFiles.resourceTag.myFirstKey", "myFirstValue") .option("cloudFiles.resourceTag.mySecondKey", "mySecondValue") Zie Amazon SQS-tags voor kostentoewijzing en tags configureren voor een Amazon SNS-onderwerp voor meer informatie over AWS. (1) Voor meer informatie over Azure, zie Naamgevingswachtrijen en Metagegevens en de dekking van properties.labels in Evenementabonnementen. Auto Loader slaat deze sleutel-waarde tagparen op in JSON als labels. (1) Zie Rapportagegebruik met labels voor meer informatie over GCP. (1) Standaardwaarde: Geen
cloudFiles.useNotifications Type: Boolean Of u de modus voor bestandsmeldingen wilt gebruiken om te bepalen wanneer er nieuwe bestanden zijn. Als false, gebruik de directorylistingmodus. Zie Vergelijk de detectiemodi van Auto Loader-bestanden. Standaardwaarde: false

(1) Automatisch laadprogramma voegt standaard de volgende sleutel-waarde tagparen toe op basis van best effort:

• vendor: Databricks
• path: de locatie waar de gegevens worden geladen. Niet beschikbaar in GCP vanwege labelbeperkingen.
• checkpointLocation: De locatie van het controlepunt van de stream. Niet beschikbaar in GCP vanwege labelbeperkingen.
• streamId: Een wereldwijd unieke id voor de stream.

Deze sleutelnamen zijn gereserveerd en u kunt hun waarden niet overschrijven.

Opties voor bestandsindeling

Met Auto Loader kunt u JSON, CSV, PARQUET, AVRO, TEXT, BINARYFILE en ORC bestanden opnemen.

• Algemene opties
• JSON Opties
• CSV Opties
• XML Opties
• PARQUET Opties
• AVRO Opties
• BINARYFILE Opties
• TEXT Opties
• ORC Opties

Algemene opties

De volgende opties zijn van toepassing op alle bestandsindelingen.

Optie
ignoreCorruptFiles Typ: Boolean Of beschadigde bestanden moeten worden genegeerd. Als dit het geval is, zullen de Spark-taken blijven draaien wanneer ze beschadigde bestanden tegenkomen en zal de gelezen inhoud nog steeds worden teruggegeven. Waarneembaar als numSkippedCorruptFiles in de operationMetrics kolom van de geschiedenis van Delta Lake. Beschikbaar in Databricks Runtime 11.3 LTS en hoger. Standaardwaarde: false
ignoreMissingFiles Typ: Boolean Of ontbrekende bestanden moeten worden genegeerd. Als dit waar is, worden de Spark-taken voortgezet wanneer er ontbrekende bestanden worden aangetroffen en zal de gelezen inhoud nog steeds worden geretourneerd. Beschikbaar in Databricks Runtime 11.3 LTS en hoger. Standaardwaarde: false voor automatisch laden, true voor COPY INTO (verouderd)
modifiedAfter Type: Timestamp Stringbijvoorbeeld 2021-01-01 00:00:00.000000 UTC+0 Een optionele tijdstempel voor het opnemen van bestanden met een wijzigingstijdstempel na de opgegeven tijdstempel. Standaardwaarde: Geen
modifiedBefore Type: Timestamp Stringbijvoorbeeld 2021-01-01 00:00:00.000000 UTC+0 Een optionele tijdstempel voor het opnemen van bestanden met een wijzigingstijdstempel vóór de opgegeven tijdstempel. Standaardwaarde: Geen
pathGlobFilter of fileNamePattern Type: String Een mogelijk globpatroon om bestanden te selecteren. Gelijk aan PATTERN in COPY INTO (verouderd). fileNamePattern kan worden gebruikt in read_files. Standaardwaarde: Geen
recursiveFileLookup Type: Boolean Met deze optie wordt gezocht in geneste mappen, zelfs als hun namen geen partitienamenschema volgen, zoals bij date=2019-07-01. Standaardwaarde: false

JSON Opties

Optie
allowBackslashEscapingAnyCharacter Typ: Boolean Of schuine strepen elk teken dat erop volgt kunnen laten ontsnappen. Als dit niet is ingeschakeld, kunnen alleen tekens die expliciet door de JSON-specificatie zijn vermeld, worden geëscaped. Standaardwaarde: false
allowComments Type: Boolean Of het gebruik van opmerkingen in java-, C- en C++-stijl ('/', '*'en '//' variëteiten) binnen geparseerde inhoud al dan niet is toegestaan. Standaardwaarde: false
allowNonNumericNumbers Type: Boolean Hiermee wordt aangegeven of de set tokens zonder getal (NaN) mag worden toegestaan als juridische zwevende getalwaarden. Standaardwaarde: true
allowNumericLeadingZeros Type: Boolean Of u wilt toestaan dat integrale getallen beginnen met extra (negeerbare) nullen (bijvoorbeeld 000001). Standaardwaarde: false
allowSingleQuotes Type: Boolean Hiermee wordt aangegeven of enkele aanhalingstekens (apostrof, teken '\') kunnen worden toegestaan voor het citeren van strings (namen en waarden). Standaardwaarde: true
allowUnquotedControlChars Type: Boolean Of het is toegestaan JSON-tekenreeksen te laten bevatten ongedekte controletekens (ASCII-tekens met een waarde kleiner dan 32, inclusief tab- en regelinvoertekens) of niet. Standaardwaarde: false
allowUnquotedFieldNames Type: Boolean Of het gebruik van niet-geciteerde veldnamen is toegestaan (die wel zijn toegestaan door JavaScript, maar niet door de JSON-specificatie). Standaardwaarde: false
badRecordsPath Type: String Het pad voor het opslaan van bestanden voor het registreren van informatie over ongeldige JSON-records. Standaardwaarde: Geen
columnNameOfCorruptRecord Type: String De kolom voor het opslaan van records die ongeldig zijn en die niet kunnen worden geïnterpreteerd. Als het mode voor parseren is ingesteld als DROPMALFORMED, is deze kolom leeg. Standaardwaarde: _corrupt_record
dateFormat Type: String De notatie voor het parseren van datumtekenreeksen. Standaardwaarde: yyyy-MM-dd
dropFieldIfAllNull Type: Boolean Of kolommen van alle null-waarden of lege matrices en structs tijdens schemadeductie moeten worden genegeerd. Standaardwaarde: false
encoding of charset Typ: String De naam van de codering van de JSON-bestanden. Zie java.nio.charset.Charset voor een lijst met opties. U kunt niet gebruiken UTF-16 en UTF-32 wanneer multiline is true. Standaardwaarde: UTF-8
inferTimestamp Typ: Boolean Wilt u proberen tijdstempeltekenreeksen af te leiden als een TimestampType? Wanneer ingesteld op true, kan het aanzienlijk langer duren voordat schemadeductie is voltooid. U moet cloudFiles.inferColumnTypes inschakelen om te gebruiken met Auto Loader. Standaardwaarde: false
lineSep Typ: String Een string tussen twee opeenvolgende JSON-records. Standaardwaarde: Geen, wat betrekking heeft op \r, \r\n, en \n.
locale Type: String Een java.util.Locale id. Beïnvloedt de standaarddatum, tijdstempel en decimale parsering binnen de JSON. Standaardwaarde: US
mode Type: String Parsermodus voor het afhandelen van onjuist gevormde records. Eén van 'PERMISSIVE', 'DROPMALFORMED', of 'FAILFAST'. Standaardwaarde: PERMISSIVE
multiLine Type: Boolean Of de JSON-records meerdere regels omvatten. Standaardwaarde: false
prefersDecimal Type: Boolean Probeert tekenreeksen af te leiden als DecimalType in plaats van float- of double-type, indien mogelijk. U moet ook schemadeductie gebruiken, ofwel door het inschakelen van inferSchema of cloudFiles.inferColumnTypes gebruiken met Auto Loader. Standaardwaarde: false
primitivesAsString Type: Boolean Of bepaalde primitieve typen zoals getallen en booleaanse waarden moeten worden afgeleidStringType. Standaardwaarde: false
readerCaseSensitive Type: Boolean Hiermee specificeert u het gedrag van hoofdlettergevoeligheid wanneer rescuedDataColumn is ingeschakeld. Indien waar, redt u de gegevenskolommen waarvan de namen verschillen per geval van het schema; lees anders de gegevens op een niet-hoofdlettergevoelige manier. Beschikbaar in Databricks Runtime 13.3 en hoger. Standaardwaarde: true
rescuedDataColumn Typ: String Of u alle gegevens wilt verzamelen die niet kunnen worden geparseerd als gevolg van een niet-overeenkomend gegevenstype of niet-overeenkomende schema's (inclusief kolombehuizing) naar een afzonderlijke kolom. Deze kolom wordt standaard opgenomen bij het gebruik van automatisch laden. Raadpleeg Wat is de kolom met geredde gegevens? voor meer details. COPY INTO (verouderd) biedt geen ondersteuning voor de kolom met geredde gegevens, omdat u het schema niet handmatig kunt instellen met behulp van COPY INTO. Databricks raadt het gebruik van autolaadprogramma's aan voor de meeste opnamescenario's. Standaardwaarde: Geen
singleVariantColumn Typ: String Of u het hele JSON-document wilt opnemen, geparseerd in één variantkolom met de opgegeven tekenreeks als de naam van de kolom. Als deze optie is uitgeschakeld, worden de JSON-velden opgenomen in hun eigen kolommen. Standaardwaarde: Geen
timestampFormat Type: String Het formaat voor het parseren van tijdstempeltekenreeksen. Standaardwaarde: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]
timeZone Type: String De java.time.ZoneId te gebruiken bij het parseren van tijdstempels en datums. Standaardwaarde: Geen

CSV Opties

Optie
badRecordsPath Type: String Het pad om bestanden op te slaan voor het vastleggen van de informatie over foute CSV-records. Standaardwaarde: Geen
charToEscapeQuoteEscaping Type: Char Het teken dat wordt gebruikt om het teken te escapen dat wordt gebruikt voor aanhalingstekens. Bijvoorbeeld voor de volgende record: [ " a\\", b ] Als het teken om aan de '\' te ontkomen niet is gedefinieerd, wordt het record niet geparseerd. De parser zal de tekens [a],[\],["],[,],[ ],[b] lezen en een fout genereren omdat het een afsluitende aanhalingsteken niet kan vinden. Als het teken om aan het '\' te ontsnappen gedefinieerd is als '\', wordt het record gelezen met 2 waarden: [a\] en [b]. Standaardwaarde: '\0'
columnNameOfCorruptRecord Ondersteund voor automatisch laden. Niet ondersteund voor COPY INTO (verouderd). Typ: String De kolom voor het opslaan van records die ongeldig zijn en die niet kunnen worden geïnterpreteerd. Als het mode voor parseren is ingesteld als DROPMALFORMED, is deze kolom leeg. Standaardwaarde: _corrupt_record
comment Type: Char Hiermee definieert u het teken dat een regelcommentaar aangeeft wanneer deze wordt gevonden aan het begin van een tekstregel. Hiermee '\0' schakelt u het overslaan van opmerkingen uit. Standaardwaarde: '\u0000'
dateFormat Type: String De notatie voor het parseren van datumtekenreeksen. Standaardwaarde: yyyy-MM-dd
emptyValue Type: String Tekenreeksweergave van een lege waarde. Standaardwaarde: ""
encoding of charset Type: String De naam van de codering van de CSV-bestanden. Zie java.nio.charset.Charset voor de lijst met opties. UTF-16 en UTF-32 kunnen niet worden gebruikt wanneer multilinetrue is. Standaardwaarde: UTF-8
enforceSchema Type: Boolean Of u het opgegeven of afgeleid schema geforceerd wilt toepassen op de CSV-bestanden. Als de optie is ingeschakeld, worden headers van CSV-bestanden genegeerd. Deze optie wordt standaard genegeerd wanneer u AutoLoader gebruikt om gegevens te redden en schemaontwikkeling mogelijk te maken. Standaardwaarde: true
escape Type: Char Het escape-teken dat moet worden gebruikt bij het parseren van de gegevens. Standaardwaarde: '\'
header Type: Boolean Of de CSV-bestanden een koptekst bevatten. Auto Loader gaat ervan uit dat bestanden headers hebben bij het uitstellen van het schema. Standaardwaarde: false
ignoreLeadingWhiteSpace Type: Boolean Of u voorloopspaties voor elke geparseerde waarde wilt negeren. Standaardwaarde: false
ignoreTrailingWhiteSpace Type: Boolean Hiermee wordt aangegeven of u volgspaties voor elke geparseerde waarde wilt negeren. Standaardwaarde: false
inferSchema Typ: Boolean Of u de gegevenstypen van de geparseerde CSV-records wilt afleiden of ervan wilt uitgaan dat alle kolommen van StringTypezijn. Vereist een extra pass over de gegevens indien ingesteld op true. Gebruik voor Auto Loader in plaats daarvan cloudFiles.inferColumnTypes. Standaardwaarde: false
lineSep Type: String Een string tussen twee opeenvolgende CSV-records. Standaardwaarde: Geen, wat betrekking heeft op \r, \r\n, en \n.
locale Typ: String Een java.util.Locale id. Beïnvloedt de standaarddatum, tijdstempel en decimale parsering in het CSV-bestand. Standaardwaarde: US
maxCharsPerColumn Type: Int Maximum aantal tekens dat wordt verwacht van een waarde om te parseren. Kan worden gebruikt om geheugenfouten te voorkomen. Standaard ingesteld op -1, wat onbeperkt betekent. Standaardwaarde: -1
maxColumns Typ: Int De vaste limiet van het aantal kolommen dat een record kan hebben. Standaardwaarde: 20480
mergeSchema Type: Boolean Of u het schema wilt afleiden over meerdere bestanden en het schema van elk bestand wilt samenvoegen. Standaard ingeschakeld voor Auto Loader bij het afleiden van het schema. Standaardwaarde: false
mode Type: String Parsermodus voor het afhandelen van onjuist gevormde records. Eén van 'PERMISSIVE', 'DROPMALFORMED', en 'FAILFAST'. Standaardwaarde: PERMISSIVE
multiLine Typ: Boolean Of de CSV-records meerdere regels omvatten. Standaardwaarde: false
nanValue Type: String De tekenreeksweergave van een niet-getal waarde bij het parseren van FloatType- en DoubleType-kolommen. Standaardwaarde: "NaN"
negativeInf Typ: String De tekenreeksweergave van negatieve oneindigheid bij het parseren van FloatType- of DoubleType-kolommen. Standaardwaarde: "-Inf"
nullValue Type: String Tekenreeksweergave van een null-waarde. Standaardwaarde: ""
parserCaseSensitive (afgeschaft) Type: Boolean Tijdens het lezen van bestanden moet worden bepaald of kolommen in de koptekst hoofdlettergevoelig moeten worden uitgelijnd met het schema. Dit is true standaard voor autolaadprogramma's. Kolommen die per geval verschillen, worden in de rescuedDataColumn indien ingeschakelde kolom gered. Deze optie is afgeschaft ten gunste van readerCaseSensitive. Standaardwaarde: false
positiveInf Type: String De tekenreeksweergave van positieve oneindigheid bij het parseren van FloatType- of DoubleType-kolommen. Standaardwaarde: "Inf"
preferDate Type: Boolean Probeert indien mogelijk strings als datums te interpreteren in plaats van als een tijdstempel. U moet ook schemadeductie gebruiken, door inferSchema in te schakelen of door gebruik te maken van cloudFiles.inferColumnTypes met Auto-Loader. Standaardwaarde: true
quote Type: Char Het teken dat wordt gebruikt om waarden te escapen waarbij het veldscheidingsteken deel uitmaakt van de waarde. Standaardwaarde: "
readerCaseSensitive Type: Boolean Hiermee specificeert u het gedrag van hoofdlettergevoeligheid wanneer rescuedDataColumn is ingeschakeld. Indien waar, redt u de gegevenskolommen waarvan de namen verschillen per geval van het schema; lees anders de gegevens op een niet-hoofdlettergevoelige manier. Standaardwaarde: true
rescuedDataColumn Type: String Of u alle gegevens die niet geparseerd kunnen worden vanwege een gegevenstypemismatch of een schemamismatch (inclusief kolomhoofdletters) in een afzonderlijke kolom wilt verzamelen. Deze kolom wordt standaard opgenomen bij het gebruik van automatisch laden. Raadpleeg Wat is de kolom met geredde gegevens? voor meer details. COPY INTO (verouderd) biedt geen ondersteuning voor de kolom met geredde gegevens, omdat u het schema niet handmatig kunt instellen met behulp van COPY INTO. Databricks raadt het gebruik van autolaadprogramma's aan voor de meeste opnamescenario's. Standaardwaarde: Geen
sep of delimiter Type: String De scheidingstekenreeks tussen kolommen. Standaardwaarde: ","
skipRows Type: Int Het aantal rijen vanaf het begin van het CSV-bestand dat moet worden genegeerd (inclusief opmerkingen en lege rijen). Als header waar is, is de koptekst de eerste niet-overgeslagen en niet als commentaar gemarkeerde rij. Standaardwaarde: 0
timestampFormat Typ: String Het formaat voor het parseren van tijdstempeltekenreeksen. Standaardwaarde: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX]
timeZone Typ: String De java.time.ZoneId te gebruiken bij het parseren van tijdstempels en datums. Standaardwaarde: Geen
unescapedQuoteHandling Type: String De strategie voor het behandelen van niet-geëscaleerde aanhalingstekens. Toegestane opties: STOP_AT_CLOSING_QUOTE: Als er niet-ontsnapte aanhalingstekens worden gevonden in de invoer, verzamel dan het aanhalingsteken en ga verder met het parseren van de waarde als een geciteerde waarde, totdat er een sluitend aanhalingsteken wordt gevonden. BACK_TO_DELIMITER: Als er niet-ontsnapte aanhalingstekens worden gevonden in de invoer, kunt u de waarde beschouwen als een niet-gequote waarde. Hierdoor verzamelt de parser alle tekens van de huidige geparseerde waarde totdat het scheidingsteken dat is gedefinieerd door sep is gevonden. Als er geen scheidingsteken in de waarde wordt gevonden, blijft de parser tekens uit de invoer accumuleren totdat een scheidingsteken of regeleinde is gevonden. STOP_AT_DELIMITER: Als er niet-ontsnapte aanhalingstekens worden gevonden in de invoer, kunt u de waarde beschouwen als een niet-gequote waarde. De parser verzamelt alle tekens totdat het scheidingsteken, dat is gedefinieerd door sep, of een regeleinde in de invoer wordt gevonden. SKIP_VALUE: Als er onverwerkte aanhalingstekens worden gevonden in de invoer, wordt de inhoud die voor de opgegeven waarde is geïnterpreteerd genegeerd (totdat het volgende scheidingsteken is gevonden) en wordt de waarde die is ingesteld in nullValue in plaats daarvan geproduceerd. RAISE_ERROR: Als er niet-ontsnapte aanhalingstekens in de invoer gevonden worden, is een TextParsingException zal worden opgeworpen. Standaardwaarde: STOP_AT_DELIMITER

XML Opties

Optie	Omschrijving	Omvang
rowTag	De rijtag van de XML-bestanden die moeten worden behandeld als een rij. In het voorbeeld-XML <books> <book><book>...<books>is bookde juiste waarde. Dit is een vereiste optie.	lezen
samplingRatio	Definieert een fractie van rijen die worden gebruikt voor schemadeductie. Ingebouwde XML-functies negeren deze optie. Standaard: 1.0.	lezen
excludeAttribute	Of kenmerken in elementen moeten worden uitgesloten. Standaard: false.	gelezen
mode	Modus voor het verwerken van beschadigde records tijdens het parseren. PERMISSIVE: Voor beschadigde records plaatst u de ongeldige tekenreeks in een veld dat is geconfigureerd door columnNameOfCorruptRecorden stelt u onjuiste velden in op null. Als u beschadigde records wilt behouden, kunt u een string typeveld instellen met de naam columnNameOfCorruptRecord in een door de gebruiker gedefinieerd schema. Als een schema het veld niet heeft, worden beschadigde records verwijderd tijdens het parseren. Bij het uitstellen van een schema voegt de parser impliciet een columnNameOfCorruptRecord veld toe aan een uitvoerschema. DROPMALFORMED: Hiermee worden beschadigde records genegeerd. Deze modus wordt niet ondersteund voor ingebouwde XML-functies. FAILFAST: Genereert een uitzondering wanneer de parser beschadigde gegevens tegenkomt.	lezen
inferSchema	Als true, wordt geprobeerd een geschikt type voor elke resulterende DataFrame-kolom af te leiden. Als falsealle resulterende kolommen van het string type zijn. Standaard: true. Ingebouwde XML-functies negeren deze optie.	gelezen
columnNameOfCorruptRecord	Hiermee kunt u de naam van het nieuwe veld wijzigen dat een ongeldige tekenreeks bevat die is gemaakt door PERMISSIVE modus. Standaard: spark.sql.columnNameOfCorruptRecord.	lezen
attributePrefix	Het voorvoegsel voor kenmerken om kenmerken te onderscheiden van elementen. Dit is het voorvoegsel voor veldnamen. Standaard is _. Kan leeg zijn voor het lezen van XML, maar niet voor schrijven.	lezen, schrijven
valueTag	De tag die wordt gebruikt voor de karakterdata in elementen die ook attribuut(en) of kindelement(en) bevatten. Gebruiker kan het valueTag veld in het schema opgeven of het wordt automatisch toegevoegd tijdens schemadeductie wanneer tekengegevens aanwezig zijn in elementen met andere elementen of kenmerken. Standaardwaarde: _VALUE	lezen, schrijven
encoding	Voor het lezen decodeert u de XML-bestanden op basis van het opgegeven coderingstype. Voor schrijven geeft u codering (charset) van opgeslagen XML-bestanden op. Ingebouwde XML-functies negeren deze optie. Standaard: UTF-8.	lezen, schrijven
ignoreSurroundingSpaces	Hiermee bepaalt u of de witte omringende spaties van de waarden die worden gelezen, moeten worden overgeslagen. Standaard: true. Gegevens die alleen uit witruimtetekens bestaan, worden genegeerd.	gelezen
rowValidationXSDPath	Pad naar een optioneel XSD-bestand dat wordt gebruikt om de XML voor elke rij afzonderlijk te valideren. Rijen die niet kunnen worden gevalideerd, worden behandeld als parsefouten zoals hierboven. De XSD heeft verder geen invloed op het verstrekte of afgeleide schema.	gelezen
ignoreNamespace	Als true de voorvoegsels van naamruimten op XML-elementen en -kenmerken worden genegeerd. Tags <abc:author> en <def:author>, bijvoorbeeld, worden behandeld alsof ze alleen <author>zijn. Naamruimten kunnen niet worden genegeerd op het rowTag element, alleen de leesbare kindelementen. XML-parsering is niet naamruimtebewust, zelfs niet als false. Standaard: false.	lezen
timestampFormat	Aangepaste tekenreeks voor tijdstempelnotatie die de datum/tijd-patroonnotatie volgt. Dit is van toepassing op timestamp het type. Standaard: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX].	lezen, schrijven
timestampNTZFormat	Aangepaste formaatstring voor tijdstempel zonder tijdzone die het datumpatroon volgt. Dit is van toepassing op het type TimestampNTZType. Standaardinstelling: yyyy-MM-dd'T'HH:mm:ss[.SSS]	lezen, schrijven
dateFormat	Tekenreeks voor aangepaste datumnotatie die het datum/tijd-patroon volgt. Dit is van toepassing op het datumtype. Standaard: yyyy-MM-dd.	lezen, schrijven
locale	Hiermee stelt u een locale in als taaltag volgens de IETF BCP 47-indeling. Wordt bijvoorbeeld locale gebruikt tijdens het parseren van datums en tijdstempels. Standaard: en-US.	gelezen
rootTag	Hoofdtag van de XML-bestanden. Bijvoorbeeld in <books> <book><book>...</books> is de juiste waarde books. U kunt basiskenmerken opnemen door een waarde op te geven zoals books foo="bar". Standaard: ROWS.	schrijven
declaration	Inhoud van XML-declaratie die moet worden geschreven aan het begin van elk XML-uitvoerbestand, vóór de rootTag. Bijvoorbeeld, een waarde van foo zorgt ervoor dat <?xml foo?> wordt geschreven. Ingesteld op een lege tekenreeks zodat deze wordt onderdrukt. Standaardwaarde: version="1.0" encoding="UTF-8" standalone="yes".	schrijven
arrayElementName	De naam van het XML-element dat elk element van een kolom met matrixwaarden omsluit bij het schrijven. Standaard: item.	schrijven
nullValue	Hiermee stelt u de tekenreeksweergave van een null-waarde in. Standaard: tekenreeks null. Als dit het geval is null, schrijft de parser geen kenmerken en elementen voor velden.	lezen, schrijven
compression	Compressiecode die moet worden gebruikt bij het opslaan in een bestand. Dit kan een van de bekende niet-hoofdlettergevoelige verkorte namen zijn (none, bzip2, gziplz4en snappy deflate). Ingebouwde XML-functies negeren deze optie. Standaard: none.	schrijven
validateName	Als dat waar is, treedt er een fout op bij een validatiefout voor XML-elementnamen. SQL-veldnamen kunnen bijvoorbeeld spaties bevatten, maar namen van XML-elementen kunnen geen spaties bevatten. Standaardinstelling: true.	schrijven
readerCaseSensitive	Hiermee geeft u het hoofdlettergevoeligheidsgedrag op wanneer rescuedDataColumn is ingeschakeld. Indien waar, redt u de gegevenskolommen waarvan de namen verschillen per geval van het schema; lees anders de gegevens op een niet-hoofdlettergevoelige manier. Standaard: true.	lezen
rescuedDataColumn	Of u alle gegevens wilt verzamelen die niet kunnen worden geparseerd vanwege een niet-overeenkomend gegevenstype en niet-overeenkomende schema's (inclusief kolombehuizing) naar een afzonderlijke kolom. Deze kolom wordt standaard opgenomen bij het gebruik van automatisch laden. Voor meer informatie, zie Wat is de kolom met geredde gegevens?. COPY INTO (verouderd) biedt geen ondersteuning voor de kolom met geredde gegevens, omdat u het schema niet handmatig kunt instellen met behulp van COPY INTO. Databricks raadt het gebruik van autolaadprogramma's aan voor de meeste opnamescenario's. Standaard: Geen.	lezen

PARQUET Opties

Optie
datetimeRebaseMode Type: String Hiermee beheert u de rebasing van de DATUM- en TIJDSTEMPEL-waarden tussen de Juliaanse en de Proleptische Gregoriaanse kalenders. Toegestane waarden: EXCEPTION, LEGACYen CORRECTED. Standaardwaarde: LEGACY
int96RebaseMode Type: String Hiermee controleert u de rebasing van de INT96-tijdstempelwaarden tussen de Juliaanse en de Proleptische Gregoriaanse kalender. Toegestane waarden: EXCEPTION, LEGACYen CORRECTED. Standaardwaarde: LEGACY
mergeSchema Typ: Boolean Of u het schema wilt afleiden over meerdere bestanden en het schema van elk bestand wilt samenvoegen. Standaardwaarde: false
readerCaseSensitive Type: Boolean Hiermee specificeert u het gedrag van hoofdlettergevoeligheid wanneer rescuedDataColumn is ingeschakeld. Indien waar, redt u de gegevenskolommen waarvan de namen verschillen per geval van het schema; lees anders de gegevens op een niet-hoofdlettergevoelige manier. Standaardwaarde: true
rescuedDataColumn Typ: String Of u alle gegevens die niet geparseerd kunnen worden vanwege een gegevenstypemismatch of een schemamismatch (inclusief kolomhoofdletters) in een afzonderlijke kolom wilt verzamelen. Deze kolom wordt standaard opgenomen bij het gebruik van automatisch laden. Raadpleeg Wat is de kolom met geredde gegevens? voor meer details. COPY INTO (verouderd) biedt geen ondersteuning voor de kolom met geredde gegevens, omdat u het schema niet handmatig kunt instellen met behulp van COPY INTO. Databricks raadt het gebruik van autolaadprogramma's aan voor de meeste opnamescenario's. Standaardwaarde: Geen

AVRO Opties

Optie
avroSchema Typ: String Optioneel schema gegeven door een gebruiker in Avro-indeling. Bij het lezen van Avro kan deze optie worden ingesteld op een ontwikkeld schema, dat compatibel is maar anders is met het werkelijke Avro-schema. Het deserialisatieschema is consistent met het ontwikkelde schema. Als u bijvoorbeeld een ontwikkeld schema instelt dat één extra kolom met een standaardwaarde bevat, bevat het leesresultaat ook de nieuwe kolom. Standaardwaarde: Geen
datetimeRebaseMode Typ: String Hiermee beheert u de rebasing van de DATUM- en TIJDSTEMPEL-waarden tussen de Juliaanse en de Proleptische Gregoriaanse kalenders. Toegestane waarden: EXCEPTION, LEGACYen CORRECTED. Standaardwaarde: LEGACY
mergeSchema Type: Boolean Of u het schema wilt afleiden over meerdere bestanden en het schema van elk bestand wilt samenvoegen. mergeSchema Bij Avro worden gegevenstypen niet versoepeld. Standaardwaarde: false
readerCaseSensitive Type: Boolean Hiermee specificeert u het gedrag van hoofdlettergevoeligheid wanneer rescuedDataColumn is ingeschakeld. Indien waar, redt u de gegevenskolommen waarvan de namen verschillen per geval van het schema; lees anders de gegevens op een niet-hoofdlettergevoelige manier. Standaardwaarde: true
rescuedDataColumn Type: String Of u alle gegevens die niet geparseerd kunnen worden vanwege een gegevenstypemismatch of een schemamismatch (inclusief kolomhoofdletters) in een afzonderlijke kolom wilt verzamelen. Deze kolom wordt standaard opgenomen bij het gebruik van automatisch laden. COPY INTO (verouderd) biedt geen ondersteuning voor de kolom met geredde gegevens, omdat u het schema niet handmatig kunt instellen met behulp van COPY INTO. Databricks raadt het gebruik van autolaadprogramma's aan voor de meeste opnamescenario's. Raadpleeg Wat is de kolom met geredde gegevens? voor meer details. Standaardwaarde: Geen

BINARYFILE Opties

Binaire bestanden hebben geen extra configuratieopties.

TEXT Opties

Optie
encoding Type: String De naam van de codering van de tekstbestanden. Zie java.nio.charset.Charset voor een lijst met opties. Standaardwaarde: UTF-8
lineSep Type: String Een tekenreeks tussen twee opeenvolgende TEXT-records. Standaardwaarde: Geen, die betrekking heeft op \ren \r\n\n
wholeText Type: Boolean Of u een bestand als één record wilt lezen. Standaardwaarde: false

ORC Opties

Optie
mergeSchema Type: Boolean Of u het schema wilt afleiden over meerdere bestanden en het schema van elk bestand wilt samenvoegen. Standaardwaarde: false

Cloudspecifieke opties

Auto Loader biedt een aantal opties voor het configureren van de cloudinfrastructuur.

• AWS-specifieke opties
• Specifieke Opties voor Azure
• Specifieke Google-opties

Specifieke AWS-opties

Geef alleen de volgende optie op als u kiest cloudFiles.useNotifications = true en u wilt dat automatisch laadprogramma de meldingsservices voor u instelt:

Optie
cloudFiles.region Type: String De regio waar de bron-S3-bucket zich bevindt en waar de AWS SNS- en SQS-services worden gemaakt. Standaardwaarde: de regio van het EC2-exemplaar.

Geef alleen de volgende optie op als u kiest cloudFiles.useNotifications = true en u wilt dat automatisch laadprogramma een wachtrij gebruikt die u al hebt ingesteld:

Optie
cloudFiles.queueUrl Type: String De URL van de SQS-wachtrij. Indien opgegeven, gebruikt Auto Loader rechtstreeks gebeurtenissen uit deze wachtrij in plaats van eigen AWS SNS- en SQS-services in te stellen. Standaardwaarde: Geen

AWS-authenticatieopties

Geef de volgende verificatieoptie op om een Databricks-servicereferentie te gebruiken:

Optie
databricks.serviceCredential Typ: String De naam van uw Databricks service-referentie. Beschikbaar in Databricks Runtime 16.2 en hoger. Standaardwaarde: Geen

Wanneer databricks-servicereferenties of IAM-rollen niet beschikbaar zijn, kunt u in plaats daarvan de volgende verificatieopties opgeven:

Optie
cloudFiles.awsAccessKey Type: String De AWS-toegangssleutel-id voor de gebruiker. Moet worden voorzien van cloudFiles.awsSecretKey. Standaardwaarde: Geen
cloudFiles.awsSecretKey Typ: String De GEHEIME AWS-toegangssleutel voor de gebruiker. Moet worden voorzien van cloudFiles.awsAccessKey. Standaardwaarde: Geen
cloudFiles.roleArn Type: String Het ARN van een IAM-rol dat moet worden aangenomen, indien nodig. De rol kan worden aangenomen vanuit het instanceprofiel van uw cluster of door het opgeven van referenties. cloudFiles.awsAccessKey en cloudFiles.awsSecretKey. Standaardwaarde: Geen
cloudFiles.roleExternalId Type: String Een identificator die moet worden opgegeven bij het aannemen van een rol met behulp van cloudFiles.roleArn. Standaardwaarde: Geen
cloudFiles.roleSessionName Type: String Een optionele sessienaam om te gebruiken terwijl een rol wordt aangenomen. cloudFiles.roleArn. Standaardwaarde: Geen
cloudFiles.stsEndpoint Type: String Een optioneel eindpunt om toegang te krijgen tot AWS STS bij het aannemen van een rol met behulp van cloudFiles.roleArn. Standaardwaarde: Geen

Specifieke Opties voor Azure

U moet waarden opgeven voor alle volgende opties als u opgeeft cloudFiles.useNotifications = true en u wilt dat automatisch laadprogramma de meldingsservices voor u instelt:

Optie
cloudFiles.resourceGroup Typ: String De Azure-resourcegroep waaronder het opslagaccount wordt gemaakt. Standaardwaarde: Geen
cloudFiles.subscriptionId Typ: String De Azure-abonnements-id waaronder de resourcegroep wordt gemaakt. Standaardwaarde: Geen
databricks.serviceCredential Type: String De naam van uw Databricks service-referentie. Beschikbaar in Databricks Runtime 16.2 en hoger. Standaardwaarde: Geen

Als er geen Databricks-servicereferentie beschikbaar is, kunt u in plaats daarvan de volgende verificatieopties opgeven:

Optie
cloudFiles.clientId Type: String De client-id of de toepassings-id van de serviceprincipal. Standaardwaarde: Geen
cloudFiles.clientSecret Type: String Het clientgeheim van de service-principal. Standaardwaarde: Geen
cloudFiles.connectionString Typ: String De verbindingsreeks voor het opslagaccount, gebaseerd op de toegangssleutel van het account of de SAS (Shared Access Signature). Standaardwaarde: Geen
cloudFiles.tenantId Type: String De Azure-tenant-ID waaronder de service-principal wordt gemaakt. Standaardwaarde: Geen

Belangrijk

Automatische inrichting van meldingen is beschikbaar in de Azure China- en Government-regio's met Databricks Runtime 9.1 en hoger. U moet een queueName opgeven om de Auto Loader met bestandsmeldingen in deze regio's te gebruiken voor oudere DBR-versies.

Geef alleen de volgende optie op als u kiest cloudFiles.useNotifications = true en u wilt dat automatisch laadprogramma een wachtrij gebruikt die u al hebt ingesteld:

Optie

cloudFiles.queueName Type: String De naam van de Azure-wachtrij. Indien opgegeven, ontvangt de bron van cloudbestanden rechtstreeks gebeurtenissen uit deze wachtrij in plaats van zijn eigen Azure Event Grid- en Queue Storage-services in te richten. In dat geval zijn voor uw databricks.serviceCredential of cloudFiles.connectionString alleen leesrechten voor de wachtrij vereist. Standaardwaarde: Geen

Specifieke Google-opties

Auto Loader kan automatisch meldingsservices voor u instellen door gebruik te maken van Databricks servicereferenties. Voor het serviceaccount dat is gemaakt met de Databricks-servicereferentie, zijn de machtigingen vereist die zijn opgegeven in Wat is de meldingsmodus voor het automatisch laden van bestanden?.

Optie
cloudFiles.projectId Type: String De id van het project waarin de GCS-bucket zich bevindt. Het Google Cloud Pub/Sub-abonnement wordt ook in dit project gemaakt. Standaardwaarde: Geen
databricks.serviceCredential Type: String De naam van uw Databricks service-referentie. Beschikbaar in Databricks Runtime 16.2 en hoger. Standaardwaarde: Geen

Als er geen Databricks-servicereferentie beschikbaar is, kunt u Google-serviceaccounts rechtstreeks gebruiken. U kunt uw cluster configureren om gebruik te maken van een serviceaccount door de Google-servicesetup te volgen of de volgende authenticatieopties rechtstreeks op te geven:

Optie
cloudFiles.client Type: String De client-id van het Google-serviceaccount. Standaardwaarde: Geen
cloudFiles.clientEmail Typ: String Het e-mailadres van het Google-serviceaccount. Standaardwaarde: Geen
cloudFiles.privateKey Type: String De persoonlijke sleutel die wordt gegenereerd voor het Google-serviceaccount. Standaardwaarde: Geen
cloudFiles.privateKeyId Type: String De id van de persoonlijke sleutel die wordt gegenereerd voor het Google-serviceaccount. Standaardwaarde: Geen

Geef alleen de volgende optie op als u kiest cloudFiles.useNotifications = true en u wilt dat automatisch laadprogramma een wachtrij gebruikt die u al hebt ingesteld:

Optie
cloudFiles.subscription Typ: String De naam van het Google Cloud Pub/Sub-abonnement. Indien opgegeven, gebruikt de bron van cloudbestanden gebeurtenissen uit deze wachtrij in plaats van het instellen van eigen GCS-meldingen en Google Cloud Pub/Sub-diensten. Standaardwaarde: Geen