read_files
functie met tabelwaarde
Van toepassing op: Databricks SQL
Databricks Runtime 13.3 LTS en hoger
Leest bestanden onder een opgegeven locatie en retourneert de gegevens in tabelvorm.
Ondersteunt het lezenJSON
, CSV
, XML
, , TEXT
, BINARYFILE
, PARQUET
, en AVRO
ORC
bestandsindelingen.
Kan de bestandsindeling automatisch detecteren en een uniform schema afleiden voor alle bestanden.
Syntaxis
read_files(path [, option_key => option_value ] [...])
Argumenten
Voor deze functie is aanroepen van benoemde parameters vereist voor de optiesleutels.
-
path
: ASTRING
met de URI van de locatie van de gegevens. Ondersteunt het lezen van Azure Data Lake Storage Gen2 (), S3 ('abfss://'
s3://
) en Google Cloud Storage ('gs://'
). Kan globs bevatten. Zie Bestandsdetectie voor meer informatie. -
option_key
: De naam van de optie die u wilt configureren. U moet backticks () for options that contain dots (
.`) gebruiken. -
option_value
: een constante uitdrukking om de optie mee in te stellen. Accepteert letterlijke en scalaire functies.
Retouren
Een tabel bestaande uit de gegevens die uit bestanden worden gelezen onder de gegeven path
.
Bestandsondekking
read_files
kan een afzonderlijk bestand lezen of bestanden lezen onder een opgegeven map.
read_files
detecteert alle bestanden in de opgegeven map recursief, tenzij er een glob wordt opgegeven, die read_files
instrueert om naar een specifiek mappatroon te recursieve.
Mappen of bestanden filteren met globpatronen
Glob-patronen kunnen worden gebruikt voor het filteren van mappen en bestanden wanneer deze in het pad worden opgegeven.
Patroon | Beschrijving |
---|---|
? |
Komt overeen met één teken |
* |
Komt overeen met nul of meer tekens |
[abc] |
Komt overeen met één teken uit de tekenset {a,b,c}. |
[a-z] |
Komt overeen met één teken uit het tekenbereik {a... z}. |
[^a] |
Komt overeen met één teken dat niet afkomstig is uit de tekenset of het bereik {a}. Houd er rekening mee dat het ^ teken direct aan de rechterkant van het openende haakje moet voorkomen. |
{ab,cd} |
Komt overeen met een tekenreeks uit de verzameling {ab, cd}. |
{ab,c{de, fh}} |
Komt overeen met een string uit de reeks {ab, cde, cfh}. |
read_files
maakt gebruik van de strikte globber van Auto Loader bij het vinden van bestanden met globs. Dit wordt geconfigureerd door de useStrictGlobber
optie. Wanneer de strikte globber is uitgeschakeld, worden afsluitende slashes (/
) verwijderd en kan een sterpatroon zoals /*/
worden uitgebreid tot het vinden van meerdere mappen. Zie de onderstaande voorbeelden om het verschil in gedrag te zien.
Patroon | Bestandspad | Strikte globber-functie uitgeschakeld | Strikte globber ingeschakeld |
---|---|---|---|
/a/b |
/a/b/c/file.txt |
Ja | Ja |
/a/b |
/a/b_dir/c/file.txt |
Nee | Nee |
/a/b |
/a/b.txt |
Nee | Nee |
/a/b/ |
/a/b.txt |
Nee | Nee |
/a/*/c/ |
/a/b/c/file.txt |
Ja | Ja |
/a/*/c/ |
/a/b/c/d/file.txt |
Ja | Ja |
/a/*/d/ |
/a/b/c/d/file.txt |
Ja | Nee |
/a/*/c/ |
/a/b/x/y/c/file.txt |
Ja | Nee |
/a/*/c |
/a/b/c_file.txt |
Ja | Nee |
/a/*/c/ |
/a/b/c_file.txt |
Ja | Nee |
/a/*/c |
/a/b/cookie/file.txt |
Ja | Nee |
/a/b* |
/a/b.txt |
Ja | Ja |
/a/b* |
/a/b/file.txt |
Ja | Ja |
/a/{0.txt,1.txt} |
/a/0.txt |
Ja | Ja |
/a/*/{0.txt,1.txt} |
/a/0.txt |
Nee | Nee |
/a/b/[cde-h]/i/ |
/a/b/c/i/file.txt |
Ja | Ja |
Schema-afleiding
Het schema van de bestanden kan expliciet worden opgegeven read_files
met de schema
optie. Wanneer het schema niet wordt verstrekt, probeert read_files
een uniform schema af te leiden voor de gedetecteerde bestanden, waarvoor alle bestanden moeten worden gelezen, tenzij een LIMIT
instructie wordt gebruikt. Zelfs bij het gebruik van een LIMIT
query kan een grotere set bestanden dan vereist is, worden gelezen om een representatiever schema van de gegevens te retourneren. Databricks voegt automatisch een LIMIT
statement toe aan SELECT
queries in notebooks en de SQL-editor als een gebruiker er nog geen heeft opgegeven.
De schemaHints
optie kan worden gebruikt om subsets van het afgeleide schema aan te passen. Zie Schemadeductie overschrijven met schemahints voor meer informatie.
Er wordt standaard een rescuedDataColumn
gegeven om gegevens te redden die niet overeenkomen met het schema. Zie Wat is de kolom met geredde gegevens? voor meer informatie. U kunt de rescuedDataColumn
optie verwijderen door de optie schemaEvolutionMode => 'none'
in te stellen.
Partitieschema-afleiding
read_files
kan ook partitioneringskolommen afleiden als bestanden worden opgeslagen onder gepartitioneerde directorieën in Hive-stijl, dat wil zeggen. Als er een schema
is opgegeven, gebruiken de gedetecteerde partitiekolommen de typen in de schema
. Als de partitiekolommen geen deel uitmaken van de opgegeven schema
, worden de afgeleide partitiekolommen genegeerd.
Als er een kolom bestaat in zowel het partitieschema als in de gegevenskolommen, wordt de waarde die uit de partitiewaarde wordt gelezen, gebruikt in plaats van de gegevenswaarde. Als u de waarden uit de map wilt negeren en de gegevenskolom wilt gebruiken, kunt u de lijst met partitiekolommen opgeven in een door komma's gescheiden lijst met de partitionColumns
optie.
De partitionColumns
optie kan ook worden gebruikt om te instrueren read_files
welke gedetecteerde kolommen moeten worden opgenomen in het uiteindelijke uitgestelde schema. Door het opgeven van een lege tekenreeks worden alle partitiekolommen genegeerd.
De schemaHints
optie kan ook worden opgegeven om het uitgestelde schema voor een partitiekolom te overschrijven.
De TEXT
indelingen en BINARYFILE
indelingen hebben een vast schema, maar read_files
proberen indien mogelijk ook partitionering voor deze indelingen af te leiden.
Gebruik in streaming-tabellen
read_files
kan worden gebruikt in streamingtabellen om bestanden in te laden in Delta Lake.
read_files
maakt gebruik van automatisch laden wanneer deze wordt gebruikt in een streamingtabelquery. U moet het STREAM
trefwoord gebruiken met read_files
. Zie Wat is automatisch laadprogramma? voor meer informatie.
Wanneer gebruikt in een streamingquery, read_files
gebruikt een voorbeeld van de gegevens om het schema af te leiden en kan het schema evolueren naarmate er meer gegevens worden verwerkt. Zie Schemadeductie en evolutie configureren in AutoLoader voor meer informatie.
Opties
- Basisopties
- Algemene opties
-
JSON
Opties -
CSV
Opties -
XML
Opties -
PARQUET
Opties -
AVRO
Opties -
BINARYFILE
Opties -
TEXT
Opties -
ORC
Opties - Streamingopties
Basismogelijkheden
Optie |
---|
format Type: String De indeling van het gegevensbestand in het bronpad. Automatisch afgeleid als het niet is opgegeven. Toegestane waarden zijn:
Standaardwaarde: Geen |
inferColumnTypes Typ: Boolean Of u exacte kolomtypen wilt afleiden bij het gebruik van schemadeductie. Standaard wordt er van kolommen uitgegaan wanneer JSON- en CSV-gegevenssets worden afgeleid. Zie schemadeductie voor meer informatie. Houd er rekening mee dat dit het tegenovergestelde is van de standaardwaarde van automatisch laden. Standaardwaarde: true |
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 samengevoegd met een gelijkheidsteken zoals <base-path>/a=x/b=1/c=y/file.format . In dit voorbeeld zijn a de partitiekolommen , b en 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 Als cloudFiles.partitionColumns als year,month,day wordt opgegeven, zal het terugkerenyear=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 |
schemaHints Type: String Schema-informatie die u tijdens schema-inferentie aan de Auto Loader verstrekt. Zie schemahints voor meer informatie. Standaardwaarde: Geen |
useStrictGlobber Typ: 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. Houd er rekening mee dat dit het tegenovergestelde is van de standaardwaarde voor automatisch laden. Standaardwaarde: true |
Algemene opties
De volgende opties zijn van toepassing op alle bestandsindelingen.
Optie |
---|
ignoreCorruptFiles Typ: Boolean Of beschadigde bestanden moeten worden genegeerd. Indien waar, zullen de Spark-jobs doorgaan met draaien wanneer er beschadigde bestanden worden aangetroffen en de gelezen inhoud zal nog steeds worden geretourneerd. Zichtbaar als numSkippedCorruptFiles in deoperationMetrics kolom van de geschiedenis van Delta Lake. Beschikbaar in Databricks Runtime 11.3 LTS en hoger.Standaardwaarde: false |
ignoreMissingFiles Type: Boolean Of ontbrekende bestanden moeten worden genegeerd. Als dit waar is, zullen de Spark-taken blijven draaien 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 String bijvoorbeeld 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 String bijvoorbeeld 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 potentieel globpatroon om bestanden te selecteren. Gelijk aan PATTERN in COPY INTO (verouderd).
fileNamePattern kan worden gebruikt in read_files .Standaardwaarde: Geen |
recursiveFileLookup Type: Boolean Of partitiedeductie tijdens schemadeductie moet worden overgeslagen. Dit heeft geen invloed op welke bestanden worden geladen. Standaardwaarde: false |
JSON
Opties
Optie |
---|
allowBackslashEscapingAnyCharacter Type: Boolean Of backslashes toegestaan zijn om karakters die hen opvolgen te ontsnappen. Als dit niet is ingeschakeld, kunnen alleen tekens die expliciet in de JSON-specificatie worden 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 reeks niet-een-getal tokens ( NaN ) als toegestane zwevende getalwaarden moet worden beschouwd.Standaardwaarde: true |
allowNumericLeadingZeros Typ: Boolean Of u wilt toestaan dat integrale getallen beginnen met extra (negeerbare) nullen (bijvoorbeeld 000001 ).Standaardwaarde: false |
allowSingleQuotes Type: Boolean Hiermee wordt aangegeven of het gebruik van enkele aanhalingstekens (apostrof, teken '\' ) moet worden toegestaan voor het aanhalen van reeksen (namen en tekenreekswaarden).Standaardwaarde: true |
allowUnquotedControlChars Type: Boolean Of JSON-tekenreeksen niet-ontsnapte besturingstekens mogen bevatten (ASCII-tekens met een waarde kleiner dan 32, inclusief tab- en regelvoertekens) of niet. Standaardwaarde: false |
allowUnquotedFieldNames Soort: Boolean Of u het gebruiken van veldnamen zonder aanhalingstekens wilt toestaan (die wel zijn toegestaan door JavaScript, maar niet door de JSON-specificatie). Standaardwaarde: false |
badRecordsPath Typ: String Het pad voor het opslaan van bestanden met informatie over ongeldige JSON-records. Standaardwaarde: Geen |
columnNameOfCorruptRecord Type: String De kolom voor het opslaan van records die misvormd zijn en niet kunnen worden geparseerd. Als de mode voor parseren is ingesteld als DROPMALFORMED , is deze kolom leeg.Standaardwaarde: _corrupt_record |
dateFormat Typ: 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 Type: 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 Of je al dan niet wilt proberen om tijdstempelreeksen af te leiden als een TimestampType . Wanneer ingesteld optrue kan het afleiden van het schema merkbaar langer duren. U moet cloudFiles.inferColumnTypes inschakelen voor gebruik met Auto Loader.Standaardwaarde: false |
lineSep Typ: String Een tekenreeks die zich bevindt tussen twee opeenvolgende JSON-records. Standaardwaarde: Geen, die betrekking heeft op \r , \r\n , en \n |
locale Typ: String Een java.util.Locale -id. Beïnvloedt de standaarddatum, tijdstempel en decimale parsering binnen de JSON.Standaardwaarde: US |
mode Type: String Parsermodus voor het verwerken van onjuiste 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 als DecimalType af te leiden in plaats van als float- of double-type, wanneer mogelijk. Je moet ook schemadeductie gebruiken, bijvoorbeeld door het in te schakelen.inferSchema of door cloudFiles.inferColumnTypes Auto Loader te gebruiken.Standaardwaarde: false |
primitivesAsString Type: Boolean Of primitieve typen als getallen en booleaanse waarden moeten worden afgeleid. StringType Standaardwaarde: false |
readerCaseSensitive Typ: Boolean Dit specificeert het hoofdlettergevoeligheidsgedrag wanneer rescuedDataColumn ingeschakeld is. 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 Runtime13.3 en hoger. Standaardwaarde: true |
rescuedDataColumn Type: 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?. 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 De notatie voor het parseren van tijdstempeltekenreeksen. Standaardwaarde: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] |
timeZone Soort: 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 het escapen van aanhalingstekens. Bijvoorbeeld voor de volgende record: [ " a\\", b ]
Standaardwaarde: '\0' |
columnNameOfCorruptRecord Ondersteund voor automatisch laden. Niet ondersteund voor COPY INTO (verouderd).Soort: String De kolom voor het opslaan van records die misvormd zijn en niet kunnen worden geparseerd. Als de 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 Typ: 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 multiline true 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 Typ: Char Het escape-teken dat moet worden gebruikt bij het parseren van de gegevens. Standaardwaarde: '\' |
header Typ: 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 dat u aanneemt dat alle kolommen van type StringType zijn. Vereist een extra stap over de gegevens indien ingesteld op true . Voor Auto Loader moet je in plaats daarvan cloudFiles.inferColumnTypes gebruiken.Standaardwaarde: false |
lineSep Type: String Een tekstreeks tussen twee opeenvolgende CSV-records. Standaardwaarde: Geen, die 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 betekent dat het onbeperkt is.Standaardwaarde: -1 |
maxColumns Type: 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 verwerken van onjuiste 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-een-getalwaarde bij het parseren van FloatType en DoubleType kolommen.Standaardwaarde: "NaN" |
negativeInf Type: String De tekenreeksweergave van negatief oneindig bij het parseren van de kolommen FloatType of DoubleType .Standaardwaarde: "-Inf" |
nullValue Typ: String Tekenreeksweergave van een null-waarde. Standaardwaarde: "" |
parserCaseSensitive (afgeschaft)Type: Boolean Tijdens het lezen van bestanden, of kolommen in de koptekst hoofdlettergevoelig moeten worden uitgelijnd met het schema. Dit is true standaard voor autolaadprogramma's. Kolommen die verschillen qua hoofdlettergebruik, worden in de rescuedDataColumn hersteld indien ingeschakeld. Deze optie is afgeschaft ten gunste van readerCaseSensitive .Standaardwaarde: false |
positiveInf Typ: String De tekenreeksweergave van positieve oneindigheid bij het parseren van FloatType of DoubleType kolommen.Standaardwaarde: "Inf" |
preferDate Type: Boolean Probeert tekenreeksen te interpreteren als datums in plaats van tijdsbestempelingen wanneer mogelijk. U moet ook schemadeductie gebruiken, ofwel door inferSchema in te schakelen of een andere methode te gebruiken.cloudFiles.inferColumnTypes met Automatisch Laadsysteem.Standaardwaarde: true |
quote Type: Char Het teken dat wordt gebruikt voor het escapen van waarden waarin het veldscheidingsteken deel uitmaakt van de waarde. Standaardwaarde: " |
readerCaseSensitive Soort: Boolean Dit specificeert het hoofdlettergevoeligheidsgedrag wanneer rescuedDataColumn ingeschakeld is. 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 kunnen worden geparseerd vanwege een mismatch in gegevenstype of schema (inclusief kolomhoofding) in een afzonderlijke kolom wilt verzamelen. Deze kolom wordt standaard opgenomen bij het gebruik van automatisch laden. Voor meer informatie, raadpleeg 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.Standaardwaarde: Geen |
sep of delimiter Type: String De scheidingstekenreeks tussen kolommen. Standaardwaarde: "," |
skipRows Typ: Int Het aantal rijen vanaf het begin van het CSV-bestand dat moet worden genegeerd (inclusief opmerkingen en lege rijen). Als header waar is, wordt de kop de eerste rij die niet overslagen of gecommentarieerd is.Standaardwaarde: 0 |
timestampFormat Typ: String De notatie voor het parseren van tijdstempeltekenreeksen. Standaardwaarde: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] |
timeZone Soort: String De java.time.ZoneId te gebruiken bij het parseren van tijdstempels en datums.Standaardwaarde: Geen |
unescapedQuoteHandling Typ: String De strategie voor het verwerken van niet-ontsnapte aanhalingstekens. Toegestane opties:
Standaardwaarde: STOP_AT_DELIMITER |
XML
Opties
Optie | Beschrijving | Omvang |
---|---|---|
rowTag |
De rijtag van de XML-bestanden die moeten worden behandeld als een rij. In het voorbeeld-XML <books> <book><book>...<books> is book de juiste waarde. Dit is een vereiste optie. |
gelezen |
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 columnNameOfCorruptRecord en stelt u onjuiste velden in op null . Als u beschadigde records wilt behouden, kunt u een string typeveld met de naam columnNameOfCorruptRecord instellen in een door de gebruiker gedefinieerd schema. Als een schema het veld niet heeft, worden beschadigde records verwijderd tijdens het parseren. Wanneer een schema wordt afgeleid, voegt de parser impliciet een columnNameOfCorruptRecord -veld toe in 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 records tegenkomt. |
gelezen |
inferSchema |
Wanneer true , wordt geprobeerd om een geschikt type af te leiden voor elke resulterende DataFrame-kolom. Als false , zijn alle resulterende kolommen van string type. Standaard:true . Ingebouwde XML-functies negeren deze optie. |
lezen |
columnNameOfCorruptRecord |
Hiermee kunt u de naam van het nieuwe veld wijzigen dat een ongeldige tekenreeks bevat die is gemaakt doorPERMISSIVE 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 tekengegevens in elementen die ook kenmerk(en) of subelementen 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 omringende witte spaties van waarden die worden gelezen, overgeslagen moeten worden. Standaard: true . Karaktergegevens die alleen uit witruimte bestaan worden genegeerd. |
lezen |
rowValidationXSDPath |
Pad naar een optioneel XSD-bestand dat wordt gebruikt om de XML voor elke rij afzonderlijk te valideren. Rijen die bij validatie falen, worden behandeld als parseerfouten, zoals eerder vermeld. De XSD heeft verder geen invloed op het verstrekte of afgeleide schema. | lezen |
ignoreNamespace |
Als true , worden de voorvoegsels van naamruimten op XML-elementen en -kenmerken 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 op de leesbare kindelementen. XML-parsering is niet naamruimtebewust, zelfs niet als false . Standaard: false . |
gelezen |
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 opmaakreeks voor tijdstempel zonder tijdzone volgens het datetime-patroon. Dit is van toepassing op het type TimestampNTZType. Standaardinstelling:yyyy-MM-dd'T'HH:mm:ss[.SSS] |
lezen, schrijven |
dateFormat |
Aanpasbare datumnotatiereeks 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 taalcode in 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. De juiste waarde in <books> <book><book>...</books> is bijvoorbeeld 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 veroorzaakt dat <?xml foo?> wordt geschreven. Instellen op een lege tekenreeks om te onderdrukken. 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 , gzip lz4 en snappy deflate ). Ingebouwde XML-functies negeren deze optie. Standaard: none . |
schrijven |
validateName |
Als dit waar is, wordt er een fout opgeworpen bij een validatiefout van XML-elementnamen. SQL-veldnamen kunnen bijvoorbeeld spaties bevatten, maar XML-elementnamen kunnen dat niet. Standaard: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 . |
gelezen |
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 bepaalt u de herbepaling van de DATUM- en TIJDSTEMPEL-waarden tussen de Juliaanse en Proleptisch Gregoriaanse kalenders. Toegestane waarden: EXCEPTION , LEGACY enCORRECTED .Standaardwaarde: LEGACY |
int96RebaseMode Type: String Hiermee bepaalt u de rebasing van de INT96-tijdstempelwaarden tussen Julian- en Proleptische Gregoriaanse kalenders. Toegestane waarden: EXCEPTION , LEGACY enCORRECTED .Standaardwaarde: LEGACY |
mergeSchema Type: Boolean Of u het schema wilt afleiden over meerdere bestanden en het schema van elk bestand wilt samenvoegen. Standaardwaarde: false |
readerCaseSensitive Typ: Boolean Dit specificeert het hoofdlettergevoeligheidsgedrag wanneer rescuedDataColumn ingeschakeld is. 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 wilt verzamelen die niet kunnen worden geparseerd vanwege: een gegevenstype komt niet overeen en het schema komt niet overeen (inclusief kolombehuizing) in een afzonderlijke kolom. Deze kolom wordt standaard opgenomen bij het gebruik van automatisch laden. Voor meer informatie, raadpleeg 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.Standaardwaarde: Geen |
AVRO
Opties
Optie |
---|
avroSchema Type: String Een optioneel schema in Avro-indeling dat door een gebruiker is aangeleverd. 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 Type: String Hiermee bepaalt u de herbepaling van de DATUM- en TIJDSTEMPEL-waarden tussen de Juliaanse en Proleptisch Gregoriaanse kalenders. Toegestane waarden: EXCEPTION , LEGACY enCORRECTED .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 Typ: Boolean Dit specificeert het hoofdlettergevoeligheidsgedrag wanneer rescuedDataColumn ingeschakeld is. 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 wilt verzamelen die niet kunnen worden geparseerd vanwege: een gegevenstype komt niet overeen en het schema komt niet overeen (inclusief kolombehuizing) in een afzonderlijke kolom. 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.Voor meer informatie, raadpleeg Wat is de kolom met geredde gegevens?. Standaardwaarde: Geen |
BINARYFILE
Opties
Binaire bestanden hebben geen extra configuratieopties.
TEXT
Opties
Optie |
---|
encoding Typ: String De naam van de codering van de tekstbestanden. Zie java.nio.charset.Charset voor een lijst met opties.Standaardwaarde: UTF-8 |
lineSep Typ: String Een tekenreeks tussen twee opeenvolgende TEKST-records. Standaardwaarde: Geen, die betrekking heeft op \r en \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 |
Streamingopties
Deze opties zijn van toepassing wanneer u een read_files
of streamingquery met gebruikt.
Optie |
---|
allowOverwrites Typ: Boolean Of bestanden die zijn gewijzigd na detectie opnieuw moeten worden verwerkt. De meest recente beschikbare versie van het bestand wordt verwerkt tijdens een vernieuwing als het bestand is gewijzigd sinds de laatste geslaagde begintijd van de vernieuwingsquery. Standaardwaarde: false |
includeExistingFiles Type: 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 |
maxBytesPerTrigger Type: Byte String Het maximum aantal nieuwe bytes dat in elke trigger moet worden verwerkt. U kunt een bytetekenreeks opgeven, zoals 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 maxFilesPerTrigger wordt gebruikt, verbruikt Azure Databricks tot de ondergrens van maxFilesPerTrigger of maxBytesPerTrigger , afhankelijk van welke het eerst wordt bereikt.Opmerking: Voor streamingtabellen die zijn gemaakt in serverloze SQL-warehouses mogen deze optie en maxFilesPerTrigger niet worden ingesteld, om gebruik te maken van dynamisch toegangsbeheer. Dit schaalt mee met de workloadgrootte en de serverloze compute-resources, zodat u de beste latentie en prestaties behaalt.Standaardwaarde: Geen |
maxFilesPerTrigger Typ: Integer Het maximum aantal nieuwe bestanden dat in elke trigger moet worden verwerkt. Wanneer Azure Databricks samen met maxBytesPerTrigger wordt gebruikt, verbruikt Azure Databricks tot de ondergrens van maxFilesPerTrigger of maxBytesPerTrigger , afhankelijk van welke het eerst wordt bereikt.Opmerking: Voor streamingtabellen die zijn gemaakt in serverloze SQL-warehouses mogen deze optie en maxBytesPerTrigger niet worden ingesteld, om gebruik te maken van dynamisch toegangsbeheer. Dit schaalt mee met de workloadgrootte en de serverloze compute-resources, zodat u de beste latentie en prestaties behaalt.Standaardwaarde: 1000 |
schemaEvolutionMode Typ: String De modus voor het bijwerken van het schema 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. Deze optie is niet van toepassing op text en binaryFile bestanden.Standaardwaarde: "addNewColumns" wanneer er geen schema wordt opgegeven."none" anders. |
schemaLocation Type: String De locatie voor het opslaan van het afgeleid schema en de volgende wijzigingen. Zie schemadeductie voor meer informatie. De schemalocatie is niet vereist wanneer deze wordt gebruikt in een streamingtabelquery. Standaardwaarde: Geen |
Voorbeelden
-- Reads the files available in the given path. Auto-detects the format and schema of the data.
> SELECT * FROM read_files('abfss://container@storageAccount.dfs.core.windows.net/base/path');
-- Reads the headerless CSV files in the given path with the provided schema.
> SELECT * FROM read_files(
's3://bucket/path',
format => 'csv',
schema => 'id int, ts timestamp, event string');
-- Infers the schema of CSV files with headers. Because the schema is not provided,
-- the CSV files are assumed to have headers.
> SELECT * FROM read_files(
's3://bucket/path',
format => 'csv')
-- Reads files that have a csv suffix.
> SELECT * FROM read_files('s3://bucket/path/*.csv')
-- Reads a single JSON file
> SELECT * FROM read_files(
'abfss://container@storageAccount.dfs.core.windows.net/path/single.json')
-- Reads JSON files and overrides the data type of the column `id` to integer.
> SELECT * FROM read_files(
's3://bucket/path',
format => 'json',
schemaHints => 'id int')
-- Reads files that have been uploaded or modified yesterday.
> SELECT * FROM read_files(
'gs://my-bucket/avroData',
modifiedAfter => date_sub(current_date(), 1),
modifiedBefore => current_date())
-- Creates a Delta table and stores the source file path as part of the data
> CREATE TABLE my_avro_data
AS SELECT *, _metadata.file_path
FROM read_files('gs://my-bucket/avroData')
-- Creates a streaming table that processes files that appear only after the table's creation.
-- The table will most likely be empty (if there's no clock skew) after being first created,
-- and future refreshes will bring new data in.
> CREATE OR REFRESH STREAMING TABLE avro_data
AS SELECT * FROM STREAM read_files('gs://my-bucket/avroData', includeExistingFiles => false);