COPY INTO
Dotyczy: Databricks SQL Databricks Runtime
Ładuje dane z lokalizacji pliku do tabeli delty. Jest to operacja z możliwością ponawiania i idempotentna — pliki w lokalizacji źródłowej, które zostały już załadowane, są pomijane. Jest to prawdą, nawet jeśli pliki zostały zmodyfikowane od czasu ich załadowania. Przykłady można znaleźć w temacie Common data loading patterns using COPY INTO (Typowe wzorce ładowania danych przy użyciu funkcji COPY INTO).
Składnia
COPY INTO target_table [ BY POSITION | ( col_name [ , <col_name> ... ] ) ]
FROM { source_clause |
( SELECT expression_list FROM source_clause ) }
FILEFORMAT = data_source
[ VALIDATE [ ALL | num_rows ROWS ] ]
[ FILES = ( file_name [, ...] ) | PATTERN = glob_pattern ]
[ FORMAT_OPTIONS ( { data_source_reader_option = value } [, ...] ) ]
[ COPY_OPTIONS ( { copy_option = value } [, ...] ) ]
source_clause
source [ WITH ( [ CREDENTIAL { credential_name |
(temporary_credential_options) } ]
[ ENCRYPTION (encryption_options) ] ) ]
Parametry
target_table
Identyfikuje istniejącą tabelę delty. Target_table nie może zawierać specyfikacji czasowej ani specyfikacji opcji.
Jeśli nazwa tabeli jest podana w postaci lokalizacji, takiej jak:
delta.`/path/to/table`
, Wykaz aparatu Unity może zarządzać dostępem do lokalizacji, do których są zapisywane. Możesz zapisać w lokalizacji zewnętrznej, wykonując następujące czynności:- Definiowanie lokalizacji jako lokalizacji zewnętrznej i posiadanie
WRITE FILES
uprawnień do tej lokalizacji zewnętrznej. - Posiadanie
WRITE FILES
uprawnień do nazwanego poświadczenia magazynu, które zapewniają autoryzację do zapisu w lokalizacji przy użyciu:COPY INTO delta.`/some/location` WITH (CREDENTIAL <named-credential>)
Aby uzyskać więcej informacji, zobacz Connect to cloud object storage and services using Unity Catalog (Nawiązywanie połączenia z magazynem obiektów w chmurze i usługami przy użyciu wykazu aparatu Unity).
- Definiowanie lokalizacji jako lokalizacji zewnętrznej i posiadanie
BY POSITION
| ( col_name [ , <col_name> ... ] )Dopasuj kolumny źródłowe do kolumn tabeli docelowej według pozycji porządkowej. Rzutowanie pasowanych kolumn odbywa się automatycznie.
Ten parametr jest obsługiwany tylko w przypadku formatu pliku CSV bez nagłówka. Musisz określić wartość
FILEFORMAT = CSV
.FORMAT_OPTIONS
musi być również ustawiona na("headers" = "false")
wartość (FORMAT_OPTIONS ("headers" = "false")
jest wartością domyślną).Opcja składni 1:
BY POSITION
- Automatycznie dopasuje kolumny źródłowe do kolumn tabeli docelowej według pozycji porządkowej.
- Domyślne dopasowanie nazwy nie jest używane do dopasowywania.
-
IDENTITY
kolumny iGENERATED
kolumny tabeli docelowej są ignorowane podczas dopasowywania kolumn źródłowych. - Jeśli liczba kolumn źródłowych nie jest równa filtrowanej kolumnie tabeli docelowej,
COPY INTO
zgłasza błąd.
Opcja składni 2:
( col_name [ , <col_name> ... ] )
- Dopasuje kolumny źródłowe do określonych kolumn tabeli docelowej według względnej pozycji porządkowej przy użyciu listy nazw kolumn tabeli docelowej w nawiasach rozdzielonych przecinkami.
- Oryginalna kolejność kolumn tabeli i nazwy kolumn nie są używane do dopasowywania.
-
IDENTITY
nie można określić kolumn iGENERATED
kolumn na liście nazw kolumn. W przeciwnym razieCOPY INTO
zgłasza błąd. - Nie można zduplikować określonych kolumn.
- Gdy liczba kolumn źródłowych nie jest równa określonej kolumnie tabeli,
COPY INTO
zgłasza błąd. - W przypadku kolumn, które nie są określone na liście nazw kolumn,
COPY INTO
przypisuje wartości domyślne, jeśli istnieją, i przypisujeNULL
w przeciwnym razie. Jeśli żadna kolumna nie może zawierać wartości null,COPY INTO
zgłasza błąd.
- Automatycznie dopasuje kolumny źródłowe do kolumn tabeli docelowej według pozycji porządkowej.
source
Lokalizacja pliku do załadowania danych. Pliki w tej lokalizacji muszą mieć format określony w pliku
FILEFORMAT
. Lokalizacja jest udostępniana w postaci identyfikatora URI.Dostęp do lokalizacji źródłowej można zapewnić za pośrednictwem:
credential_name
Opcjonalna nazwa poświadczenia używanego do uzyskiwania dostępu do lokalizacji magazynu lub zapisu w tej lokalizacji. To poświadczenie jest używane tylko wtedy, gdy lokalizacja pliku nie jest uwzględniona w lokalizacji zewnętrznej. Zobacz credential_name.
Wbudowane poświadczenia tymczasowe.
Definiowanie lokalizacji źródłowej jako lokalizacji zewnętrznej i posiadanie
READ FILES
uprawnień do lokalizacji zewnętrznej za pośrednictwem wykazu aparatu Unity.Używanie nazwanego poświadczenia magazynu z uprawnieniami
READ FILES
, które zapewniają autoryzację do odczytu z lokalizacji za pośrednictwem wykazu aparatu Unity.
Nie musisz podawać poświadczeń wbudowanych ani nazwanych, jeśli ścieżka jest już zdefiniowana jako lokalizacja zewnętrzna, której masz uprawnienia do użycia. Aby uzyskać więcej informacji, zobacz Tworzenie lokalizacji zewnętrznej w celu połączenia magazynu w chmurze z usługą Azure Databricks .
Uwaga
Jeśli ścieżka pliku źródłowego jest ścieżką główną, dodaj ukośnik (
/
) na końcu ścieżki pliku, na przykłads3://my-bucket/
.Zaakceptowane opcje poświadczeń to:
-
AZURE_SAS_TOKEN
dla usług ADLS Gen2 i Azure Blob Storage -
AWS_ACCESS_KEY
,AWS_SECRET_KEY
iAWS_SESSION_TOKEN
dla platformy AWS S3
Zaakceptowane opcje szyfrowania to:
-
TYPE = 'AWS_SSE_C'
iMASTER_KEY
dla platformy AWS S3
Zobacz Ładowanie danych przy użyciu funkcji COPY INTO z poświadczeniami tymczasowymi.
SELECT expression_list
Wybiera określone kolumny lub wyrażenia z danych źródłowych przed skopiowaniem do tabeli delty. Wyrażenia mogą być dowolnymi wyrażeniami używanymi z instrukcjami, w tym operacjami
SELECT
okien. Wyrażenia agregacji można używać tylko w przypadku agregacji globalnych — nie można używaćGROUP BY
kolumn z tą składnią.FILEFORMAT = data_source
Format plików źródłowych do załadowania. Jeden z
CSV
, ,JSON
AVRO
,ORC
,PARQUET
, ,TEXT
.BINARYFILE
VALIDATE
Dotyczy: Databricks SQL Databricks Runtime 10.4 LTS i nowsze
Dane, które mają zostać załadowane do tabeli, są weryfikowane, ale nie są zapisywane w tabeli. Te walidacje obejmują:
- Czy dane mogą być analizowane.
- Określa, czy schemat jest zgodny z tabelą, czy też schemat musi zostać rozwinięty.
- Czy są spełnione wszystkie ograniczenia dotyczące wartości null i sprawdzania.
Wartością domyślną jest zweryfikowanie wszystkich danych, które mają zostać załadowane. Możesz podać liczbę wierszy do zweryfikowania za pomocą słowa kluczowego
ROWS
, takiego jakVALIDATE 15 ROWS
. InstrukcjaCOPY INTO
zwraca podgląd danych z 50 wierszy lub mniej, gdy jest używana liczba mniejsza niż 50 zROWS
słowem kluczowym).FILES
Lista nazw plików do załadowania z limitem 1000 plików. Nie można określić za pomocą polecenia
PATTERN
.PATTERN
Wzorzec glob, który identyfikuje pliki do załadowania z katalogu źródłowego. Nie można określić za pomocą polecenia
FILES
.Wzorzec opis ?
Pasuje do dowolnego pojedynczego znaku *
Dopasuje zero lub więcej znaków [abc]
Dopasuje pojedynczy znak z zestawu znaków {a,b,c}. [a-z]
Dopasuje pojedynczy znak z zakresu znaków {a... z}. [^a]
Dopasuje pojedynczy znak, który nie pochodzi z zestawu znaków lub zakresu {a}. Należy pamiętać, że ^
znak musi występować natychmiast po prawej stronie nawiasu otwierającego.{ab,cd}
Dopasuje ciąg z zestawu ciągów {ab, cd}. {ab,c{de, fh}}
Dopasuje ciąg z zestawu ciągów {ab, cde, cfh}. FORMAT_OPTIONS
Opcje, które mają zostać przekazane do czytnika źródła danych platformy Apache Spark dla określonego formatu. Zobacz Opcje formatowania dla każdego formatu pliku.
COPY_OPTIONS
Opcje sterowania operacją
COPY INTO
polecenia.-
force
: wartość logiczna, domyślnafalse
. Jeśli ustawiono wartośćtrue
, idempotencyjność jest wyłączona, a pliki są ładowane niezależnie od tego, czy zostały załadowane wcześniej. -
mergeSchema
: wartość logiczna, domyślnafalse
. Jeśli ustawionotrue
wartość , schemat można ewoluować zgodnie z danymi przychodzącymi.
-
Równoczesne wywoływanie COPY INTO
COPY INTO
obsługuje współbieżne wywołania względem tej samej tabeli. Tak długo, jak COPY INTO
jest wywoływany współbieżnie w różnych zestawach plików wejściowych, każde wywołanie powinno ostatecznie zakończyć się powodzeniem, w przeciwnym razie występuje konflikt transakcji.
COPY INTO
nie powinny być wywoływane współbieżnie w celu zwiększenia wydajności; Pojedyncze COPY INTO
polecenie z wieloma plikami zwykle działa lepiej niż uruchamianie współbieżnych COPY INTO
poleceń z jednym plikiem.
COPY INTO
można wywoływać współbieżnie, gdy:
- Wielu producentów danych nie ma łatwego sposobu koordynowania i nie może utworzyć pojedynczego wywołania.
- W przypadku bardzo dużego katalogu można pozyskać podkatalog według podkatalogu. Podczas pozyskiwania katalogów z bardzo dużą liczbą plików usługa Databricks zaleca korzystanie z modułu automatycznego ładowania , jeśli jest to możliwe.
Uzyskiwanie dostępu do metadanych pliku
Aby dowiedzieć się, jak uzyskać dostęp do metadanych dla źródeł danych opartych na plikach, zobacz Kolumna metadanych pliku.
Opcje formatowania
- Opcje ogólne
-
JSON
Opcje -
CSV
Opcje -
XML
Opcje -
PARQUET
Opcje -
AVRO
Opcje -
BINARYFILE
Opcje -
TEXT
Opcje -
ORC
Opcje
Opcje ogólne
Poniższe opcje mają zastosowanie do wszystkich formatów plików.
Opcja |
---|
ignoreCorruptFiles Typ: Boolean Czy ignorować uszkodzone pliki. Jeśli ma wartość true, zadania platformy Spark będą nadal działać po napotkaniu uszkodzonych plików, a zawartość, która została odczytowana, będzie nadal zwracana. Obserwowalny, jak numSkippedCorruptFiles woperationMetrics kolumna historii usługi Delta Lake. Dostępne w środowisku Databricks Runtime 11.3 LTS i nowszym.Wartość domyślna: false |
ignoreMissingFiles Typ: Boolean Czy ignorować brakujące pliki. Jeśli to prawda, zadania platformy Spark będą nadal działać po napotkaniu brakujących plików, a zawartość, która została odczytowana, będzie nadal zwracana. Dostępne w środowisku Databricks Runtime 11.3 LTS i nowszym. Wartość domyślna: false (true dla COPY INTO ) |
modifiedAfter Typ: Timestamp String , na przykład 2021-01-01 00:00:00.000000 UTC+0 Opcjonalny znacznik czasu pozyskiwania plików, które mają sygnaturę czasową modyfikacji po podanym znaczniku czasu. Wartość domyślna: Brak |
modifiedBefore Typ: Timestamp String , na przykład 2021-01-01 00:00:00.000000 UTC+0 Opcjonalny znacznik czasu pozyskiwania plików, które mają sygnaturę czasową modyfikacji przed podanym znacznikiem czasu. Wartość domyślna: Brak |
pathGlobFilter lub fileNamePattern Typ: String Potencjalny wzorzec globu umożliwiający wybór plików. Odpowiednik PATTERN w pliku COPY INTO .
fileNamePattern można użyć w pliku read_files .Wartość domyślna: Brak |
recursiveFileLookup Typ: Boolean Czy pominąć wnioskowanie partycji podczas wnioskowania schematu. Nie ma to wpływu na pliki, które są ładowane. Wartość domyślna: false |
JSON
Opcje
Opcja |
---|
allowBackslashEscapingAnyCharacter Typ: Boolean Czy zezwolić na ukośniki odwrotne, aby uniknąć dowolnego znaku, który go zakończy. Jeśli nie jest włączona, tylko znaki, które są jawnie wymienione przez specyfikację JSON, mogą zostać uniknione. Wartość domyślna: false |
allowComments Typ: Boolean Czy zezwalać na używanie komentarzy w stylu Java, C i C++ ( '/' , '*' , i '//' odmian) w analizowanej zawartości, czy nie.Wartość domyślna: false |
allowNonNumericNumbers Typ: Boolean Określa, czy zezwalać na zestaw tokenów innych niż liczba ( NaN ) jako wartości liczb zmiennoprzecinkowych prawnych.Wartość domyślna: true |
allowNumericLeadingZeros Typ: Boolean Czy zezwalać na uruchamianie liczb całkowitych z dodatkowymi (ignorowanymi) zerami (na przykład 000001 ).Wartość domyślna: false |
allowSingleQuotes Typ: Boolean Czy zezwalać na używanie pojedynczych cudzysłowów (apostrof, znak '\' ) do cytowania ciągów (nazw i wartości ciągu).Wartość domyślna: true |
allowUnquotedControlChars Typ: Boolean Czy zezwolić ciągom JSON na zawieranie znaków kontrolki niewyobrażanych (znaki ASCII o wartości mniejszej niż 32, w tym znaki tabulatora i kanału informacyjnego wiersza), czy też nie. Wartość domyślna: false |
allowUnquotedFieldNames Typ: Boolean Czy zezwalać na używanie niekwotowanych nazw pól (które są dozwolone przez język JavaScript, ale nie przez specyfikację JSON). Wartość domyślna: false |
badRecordsPath Typ: String Ścieżka do przechowywania plików do rejestrowania informacji o nieprawidłowych rekordach JSON. Wartość domyślna: Brak |
columnNameOfCorruptRecord Typ: String Kolumna do przechowywania rekordów, które są źle sformułowane i nie można ich przeanalizować. mode Jeśli dla analizowania ustawiono wartość DROPMALFORMED , ta kolumna będzie pusta.Wartość domyślna: _corrupt_record |
dateFormat Typ: String Format analizowania ciągów dat. Wartość domyślna: yyyy-MM-dd |
dropFieldIfAllNull Typ: Boolean Czy ignorować kolumny wszystkich wartości null, czy puste tablice i struktury podczas wnioskowania schematu. Wartość domyślna: false |
encoding lub charset Typ: String Nazwa kodowania plików JSON. Zobacz java.nio.charset.Charset listę opcji. Nie można użyć polecenia UTF-16 i UTF-32 gdy multiline ma wartość true .Wartość domyślna: UTF-8 |
inferTimestamp Typ: Boolean Czy spróbować wywnioskować ciągi znacznika czasu jako TimestampType . Gdy jest ustawiona wartośćtrue wnioskowanie schematu może trwać znacznie dłużej. Należy włączyć cloudFiles.inferColumnTypes używanie z modułem automatycznego ładowania.Wartość domyślna: false |
lineSep Typ: String Ciąg między dwoma kolejnymi rekordami JSON. Wartość domyślna: Brak, który obejmuje \r wartości , \r\n i \n |
locale Typ: String Identyfikator java.util.Locale . Wpływa na domyślną datę, znacznik czasu i analizowanie dziesiętne w formacie JSON.Wartość domyślna: US |
mode Typ: String Tryb analizatora wokół obsługi nieprawidłowo sformułowanych rekordów. 'PERMISSIVE' Jeden z ,'DROPMALFORMED' lub 'FAILFAST' .Wartość domyślna: PERMISSIVE |
multiLine Typ: Boolean Określa, czy rekordy JSON obejmują wiele wierszy. Wartość domyślna: false |
prefersDecimal Typ: Boolean Próbuje wywnioskować ciągi jako DecimalType zamiast typu zmiennoprzecinkowego lub podwójnego, jeśli jest to możliwe. Należy również użyć wnioskowania schematu, albo przez włączenieinferSchema lub za pomocą cloudFiles.inferColumnTypes modułu automatycznego ładowania.Wartość domyślna: false |
primitivesAsString Typ: Boolean Czy wywnioskować typy pierwotne, takie jak liczby i wartości logiczne jako StringType .Wartość domyślna: false |
readerCaseSensitive Typ: Boolean Określa zachowanie poufności wielkości liter po rescuedDataColumn włączeniu. Jeśli to prawda, należy uratować kolumny danych, których nazwy różnią się wielkością liter od schematu; w przeciwnym razie odczytaj dane w sposób niewrażliwy na wielkość liter. Dostępne w środowisku Databricks Runtime13.3 i nowsze. Wartość domyślna: true |
rescuedDataColumn Typ: String Czy zebrać wszystkie dane, których nie można przeanalizować z powodu niezgodności typu danych lub niezgodności schematu (w tym wielkości liter kolumn) do oddzielnej kolumny. Ta kolumna jest domyślnie dołączana podczas korzystania z modułu automatycznego ładowania. Aby uzyskać więcej informacji, zobacz Co to jest uratowana kolumna danych?. Wartość domyślna: Brak |
singleVariantColumn Typ: String Czy pozyskać cały dokument JSON, przeanalizowany w jednej kolumnie Wariant z podanym ciągiem jako nazwą kolumny. W przypadku wyłączenia pola JSON zostaną pozyskane do własnych kolumn. Wartość domyślna: Brak |
timestampFormat Typ: String Format analizowania ciągów znacznika czasu. Wartość domyślna: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] |
timeZone Typ: String Element java.time.ZoneId do użycia podczas analizowania sygnatur czasowych i dat.Wartość domyślna: Brak |
CSV
Opcje
Opcja |
---|
badRecordsPath Typ: String Ścieżka do przechowywania plików do rejestrowania informacji o nieprawidłowych rekordach CSV. Wartość domyślna: Brak |
charToEscapeQuoteEscaping Typ: Char Znak używany do ucieczki znaku używanego do ucieczki cudzysłowów. Na przykład dla następującego rekordu: : [ " a\\", b ] - Jeśli znak ucieczki jest '\' niezdefiniowany, rekord nie zostanie przeanalizowany. Analizator odczytuje znaki: [a],[\],["],[,],[ ],[b] i zgłasza błąd, ponieważ nie może znaleźć cudzysłowu zamykającego.- Jeśli znak ucieczki '\' jest zdefiniowany jako '\' , rekord zostanie odczytany z 2 wartościami: [a\] i [b] .Wartość domyślna: '\0' |
columnNameOfCorruptRecord Obsługiwane w przypadku automatycznego modułu ładującego. Nieobsługiwane dla programu COPY INTO .Typ: String Kolumna do przechowywania rekordów, które są źle sformułowane i nie można ich przeanalizować. mode Jeśli dla analizowania ustawiono wartość DROPMALFORMED , ta kolumna będzie pusta.Wartość domyślna: _corrupt_record |
comment Typ: Char Definiuje znak reprezentujący komentarz wiersza znaleziony na początku wiersza tekstu. Użyj polecenia '\0' , aby wyłączyć pomijanie komentarza.Wartość domyślna: '\u0000' |
dateFormat Typ: String Format analizowania ciągów dat. Wartość domyślna: yyyy-MM-dd |
emptyValue Typ: String Reprezentacja ciągu pustej wartości. Wartość domyślna: "" |
encoding lub charset Typ: String Nazwa kodowania plików CSV. Zobacz java.nio.charset.Charset listę opcji.
UTF-16 i UTF-32 nie można go użyć, gdy multiline ma wartość true .Wartość domyślna: UTF-8 |
enforceSchema Typ: Boolean Czy wymuszać stosowanie określonego lub wnioskowane schematu do plików CSV. Jeśli opcja jest włączona, nagłówki plików CSV są ignorowane. Ta opcja jest domyślnie ignorowana podczas używania automatycznego modułu ładującego do ratowania danych i zezwalania na ewolucję schematu. Wartość domyślna: true |
escape Typ: Char Znak ucieczki do użycia podczas analizowania danych. Wartość domyślna: '\' |
header Typ: Boolean Określa, czy pliki CSV zawierają nagłówek. Automatyczne moduł ładujący zakłada, że pliki mają nagłówki podczas wnioskowania schematu. Wartość domyślna: false |
ignoreLeadingWhiteSpace Typ: Boolean Czy ignorować wiodące odstępy dla każdej przeanalizowanej wartości. Wartość domyślna: false |
ignoreTrailingWhiteSpace Typ: Boolean Czy ignorować końcowe odstępy dla każdej analizowanej wartości. Wartość domyślna: false |
inferSchema Typ: Boolean Czy wywnioskować typy danych analizowanych rekordów CSV, czy przyjąć, że wszystkie kolumny mają wartość StringType . Wymaga dodatkowego przekazania danych, jeśli ustawiono wartość true . W przypadku automatycznego modułu ładującego użyj zamiast tego.cloudFiles.inferColumnTypes Wartość domyślna: false |
lineSep Typ: String Ciąg między dwoma kolejnymi rekordami CSV. Wartość domyślna: Brak, który obejmuje \r wartości , \r\n i \n |
locale Typ: String Identyfikator java.util.Locale . Wpływa na domyślną datę, znacznik czasu i analizowanie dziesiętne w pliku CSV.Wartość domyślna: US |
maxCharsPerColumn Typ: Int Maksymalna liczba znaków oczekiwana od wartości do przeanalizowania. Może służyć do unikania błędów pamięci. Wartość domyślna to -1 , co oznacza nieograniczoną liczbę.Wartość domyślna: -1 |
maxColumns Typ: Int Stały limit liczby kolumn, które może mieć rekord. Wartość domyślna: 20480 |
mergeSchema Typ: Boolean Czy wywnioskować schemat między wieloma plikami i scalić schemat każdego pliku. Domyślnie włączono funkcję automatycznego ładowania podczas wnioskowania schematu. Wartość domyślna: false |
mode Typ: String Tryb analizatora wokół obsługi nieprawidłowo sformułowanych rekordów. 'PERMISSIVE' Jeden z ,'DROPMALFORMED' , i 'FAILFAST' .Wartość domyślna: PERMISSIVE |
multiLine Typ: Boolean Określa, czy rekordy CSV obejmują wiele wierszy. Wartość domyślna: false |
nanValue Typ: String Reprezentacja ciągu wartości innej niż liczba podczas analizowania FloatType i DoubleType kolumn.Wartość domyślna: "NaN" |
negativeInf Typ: String Reprezentacja ciągu nieskończoności ujemnej podczas analizowania FloatType lub DoubleType kolumn.Wartość domyślna: "-Inf" |
nullValue Typ: String Reprezentacja ciągu wartości null. Wartość domyślna: "" |
parserCaseSensitive (przestarzałe)Typ: Boolean Podczas odczytywania plików należy wyrównywać kolumny zadeklarowane w nagłówku z uwzględnieniem wielkości liter schematu. true Jest to domyślnie w przypadku automatycznego modułu ładującego. Kolumny, które różnią się wielkością liter, zostaną uratowane w przypadku włączenia rescuedDataColumn . Ta opcja została uznana za przestarzałą na rzecz .readerCaseSensitive Wartość domyślna: false |
positiveInf Typ: String Reprezentacja ciągu nieskończoności dodatniej podczas analizowania FloatType lub DoubleType kolumn.Wartość domyślna: "Inf" |
preferDate Typ: Boolean Próbuje wywnioskować ciągi jako daty zamiast znacznika czasu, gdy jest to możliwe. Należy również użyć wnioskowania schematu, włączając inferSchema lub używając poleceniacloudFiles.inferColumnTypes z automatycznym modułem ładujący.Wartość domyślna: true |
quote Typ: Char Znak używany do ucieczki wartości, w których ogranicznik pola jest częścią wartości. Wartość domyślna: " |
readerCaseSensitive Typ: Boolean Określa zachowanie poufności wielkości liter po rescuedDataColumn włączeniu. Jeśli to prawda, należy uratować kolumny danych, których nazwy różnią się wielkością liter od schematu; w przeciwnym razie odczytaj dane w sposób niewrażliwy na wielkość liter.Wartość domyślna: true |
rescuedDataColumn Typ: String Czy zebrać wszystkie dane, których nie można przeanalizować z powodu niezgodności typu danych i niezgodności schematu (w tym wielkości liter kolumn) do oddzielnej kolumny. Ta kolumna jest domyślnie dołączana podczas korzystania z modułu automatycznego ładowania. Aby uzyskać więcej informacji, zobacz Co to jest uratowana kolumna danych?. Wartość domyślna: Brak |
sep lub delimiter Typ: String Ciąg separatora między kolumnami. Wartość domyślna: "," |
skipRows Typ: Int Liczba wierszy z początku pliku CSV, które powinny być ignorowane (w tym z komentarzami i pustymi wierszami). Jeśli header ma wartość true, nagłówek będzie pierwszym niezamapowanym i bez komentarza wierszem.Wartość domyślna: 0 |
timestampFormat Typ: String Format analizowania ciągów znacznika czasu. Wartość domyślna: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] |
timeZone Typ: String Element java.time.ZoneId do użycia podczas analizowania sygnatur czasowych i dat.Wartość domyślna: Brak |
unescapedQuoteHandling Typ: String Strategia obsługi niewyobrażonych cudzysłowów. Dozwolone opcje: - STOP_AT_CLOSING_QUOTE : Jeśli w danych wejściowych znajdują się niewyspoznane cudzysłowy, zakumuluj znak cudzysłowu i kontynuuj analizowanie wartości jako wartości cudzysłowu cudzysłowu, aż zostanie znaleziony cudzysłów zamykający.- BACK_TO_DELIMITER : Jeśli w danych wejściowych znajdują się nieprzeznaczone cudzysłowy, należy rozważyć wartość jako wartość bez cudzysłowu. Spowoduje to, że analizator zgromadzi wszystkie znaki bieżącej wartości analizowanej do momentu znalezienia ogranicznika zdefiniowanego przez sep element . Jeśli w wartości nie znaleziono ogranicznika, analizator będzie nadal gromadzić znaki z danych wejściowych do momentu znalezienia ogranicznika lub zakończenia wiersza.- STOP_AT_DELIMITER : Jeśli w danych wejściowych znajdują się nieprzeznaczone cudzysłowy, należy rozważyć wartość jako wartość bez cudzysłowu. Spowoduje to, że analizator zgromadzi wszystkie znaki do momentu znalezienia ogranicznika zdefiniowanego przez sep element lub zakończenia wiersza w danych wejściowych.- SKIP_VALUE : Jeśli w danych wejściowych zostaną znalezione niewyspoznane cudzysłowy, zawartość przeanalizowana dla danej wartości zostanie pominięta (do momentu znalezienia następnego ogranicznika), a zamiast tego zostanie wygenerowana wartość ustawiona w nullValue .- RAISE_ERROR : Jeśli w danych wejściowych znajdują się niewyobrażalne cudzysłowy, aTextParsingException zostanie zgłoszony.Wartość domyślna: STOP_AT_DELIMITER |
XML
Opcje
Opcja | opis | Scope |
---|---|---|
rowTag |
Tag wiersza plików XML do traktowania jako wiersza. W przykładowym pliku XML <books> <book><book>...<books> odpowiednia wartość to book . Ta opcja jest wymagana. |
odczyt |
samplingRatio |
Definiuje ułamek wierszy używanych do wnioskowania schematu. Wbudowane funkcje XML ignorują tę opcję. Wartość domyślna: 1.0 . |
odczyt |
excludeAttribute |
Czy wykluczać atrybuty w elementach. Wartość domyślna: false . |
odczyt |
mode |
Tryb radzenia sobie z uszkodzonymi rekordami podczas analizowania.PERMISSIVE : W przypadku uszkodzonych rekordów źle sformułowany ciąg jest umieszczany w polu skonfigurowanym przez columnNameOfCorruptRecord program i ustawia źle sformułowane pola na null wartość . Aby zachować uszkodzone rekordy, można ustawić string pole typu o nazwie columnNameOfCorruptRecord w schemacie zdefiniowanym przez użytkownika. Jeśli schemat nie ma pola, uszkodzone rekordy są porzucane podczas analizowania. Podczas wnioskowania schematu analizator niejawnie dodaje columnNameOfCorruptRecord pole w schemacie wyjściowym.DROPMALFORMED : ignoruje uszkodzone rekordy. Ten tryb nie jest obsługiwany dla wbudowanych funkcji XML.FAILFAST : zgłasza wyjątek, gdy analizator spełnia uszkodzone rekordy. |
odczyt |
inferSchema |
Jeśli true program próbuje wywnioskować odpowiedni typ dla każdej wynikowej kolumny ramki danych. Jeśli false wszystkie wynikowe kolumny są string typu . Wartość domyślna:true . Wbudowane funkcje XML ignorują tę opcję. |
odczyt |
columnNameOfCorruptRecord |
Umożliwia zmianę nazwy nowego pola zawierającego źle sformułowany ciąg utworzony przezPERMISSIVE tryb. Wartość domyślna: spark.sql.columnNameOfCorruptRecord . |
odczyt |
attributePrefix |
Prefiks atrybutów do odróżnienia atrybutów od elementów. Będzie to prefiks nazw pól. Wartość domyślna to _ . Może być pusty do odczytywania kodu XML, ale nie do zapisu. |
odczyt, zapis |
valueTag |
Tag używany dla danych znaków w elementach, które mają również atrybuty lub elementy podrzędne. Użytkownik może określić valueTag pole w schemacie lub zostanie dodany automatycznie podczas wnioskowania schematu, gdy dane znaków znajdują się w elementach z innymi elementami lub atrybutami. Domyślnie: _VALUE |
odczyt,zapis |
encoding |
Do odczytu dekoduje pliki XML według danego typu kodowania. Na potrzeby pisania określa kodowanie (charset) zapisanych plików XML. Wbudowane funkcje XML ignorują tę opcję. Wartość domyślna: UTF-8 . |
odczyt, zapis |
ignoreSurroundingSpaces |
Określa, czy wokół białych spacji z odczytywanych wartości należy pominąć. Wartość domyślna: true . Dane znaków tylko dla białych znaków są ignorowane. |
odczyt |
rowValidationXSDPath |
Ścieżka do opcjonalnego pliku XSD używanego do sprawdzania poprawności kodu XML dla każdego wiersza osobno. Wiersze, które nie mogą sprawdzić poprawności, są traktowane jak błędy analizy, jak powyżej. XSD nie ma w inny sposób wpływu na podany schemat lub wywnioskowany. | odczyt |
ignoreNamespace |
Jeśli true prefiksy przestrzeni nazw dla elementów i atrybutów XML są ignorowane. Tagi <abc:author> i <def:author> , na przykład są traktowane tak, jakby oba były tylko <author> . Przestrzenie nazw nie mogą być ignorowane w elemecie rowTag , tylko jego elementy podrzędne odczytu. Analizowanie kodu XML nie uwzględnia przestrzeni nazw, nawet jeśli false . Wartość domyślna: false . |
odczyt |
timestampFormat |
Niestandardowy ciąg formatu znacznika czasu zgodny ze wzorcem daty/godziny.
timestamp Dotyczy to typu. Wartość domyślna: yyyy-MM-dd'T'HH:mm:ss[.SSS][XXX] . |
odczyt, zapis |
timestampNTZFormat |
Ciąg formatu niestandardowego dla znacznika czasu bez strefy czasowej, która jest zgodna ze wzorcem daty/godziny. Dotyczy to typu TimestampNTZType. Wartość domyślna:yyyy-MM-dd'T'HH:mm:ss[.SSS] |
odczyt, zapis |
dateFormat |
Niestandardowy ciąg formatu daty zgodny ze wzorcem daty/godziny. Dotyczy to typu daty. Wartość domyślna: yyyy-MM-dd . |
odczyt, zapis |
locale |
Ustawia ustawienia regionalne jako tag języka w formacie IETF BCP 47. Na przykład locale jest używany podczas analizowania dat i sygnatur czasowych. Wartość domyślna: en-US . |
odczyt |
rootTag |
Główny tag plików XML. Na przykład w pliku <books> <book><book>...</books> odpowiednią wartością jest books . Możesz uwzględnić podstawowe atrybuty, określając wartość, na przykład books foo="bar" . Wartość domyślna: ROWS . |
zapis |
declaration |
Zawartość deklaracji XML do zapisu na początku każdego wyjściowego pliku XML przed .rootTag Na przykład wartość foo przyczyn <?xml foo?> do zapisania. Ustaw wartość na pusty ciąg, aby pominąć. Domyślnie: version="1.0" encoding="UTF-8" standalone="yes" . |
zapis |
arrayElementName |
Nazwa elementu XML, który otacza każdy element kolumny z wartością tablicy podczas pisania. Wartość domyślna: item . |
zapis |
nullValue |
Ustawia reprezentację ciągu wartości null. Wartość domyślna: ciąg null . Gdy jest null to parametr , analizator nie zapisuje atrybutów i elementów dla pól. |
odczyt, zapis |
compression |
Kod kompresji używany podczas zapisywania w pliku. Może to być jedna ze znanych skróconych nazw bez uwzględniania wielkości liter (none , bzip2 , , gzip lz4 snappy , ideflate ). Wbudowane funkcje XML ignorują tę opcję. Wartość domyślna: none . |
zapis |
validateName |
Jeśli wartość true, zgłasza błąd podczas niepowodzenia sprawdzania poprawności nazwy elementu XML. Na przykład nazwy pól SQL mogą zawierać spacje, ale nazwy elementów XML nie mogą. Wartość domyślna:true . |
zapis |
readerCaseSensitive |
Określa zachowanie poufności wielkości liter po włączeniu funkcji rescuedDataColumn. Jeśli to prawda, należy uratować kolumny danych, których nazwy różnią się wielkością liter od schematu; w przeciwnym razie odczytaj dane w sposób niewrażliwy na wielkość liter. Wartość domyślna: true . |
odczyt |
rescuedDataColumn |
Czy zebrać wszystkie dane, których nie można przeanalizować z powodu niezgodności typu danych i niezgodności schematu (w tym wielkości liter kolumn) do oddzielnej kolumny. Ta kolumna jest domyślnie dołączana podczas korzystania z modułu automatycznego ładowania. Aby uzyskać więcej informacji, zobacz Co to jest uratowana kolumna danych?. Ustawienie domyślne: Brak. | odczyt |
PARQUET
Opcje
Opcja |
---|
datetimeRebaseMode Typ: String Określa ponowne łączenie wartości DATE i TIMESTAMP między kalendarzami Julian i Proleptic Gregorian. Dozwolone wartości: EXCEPTION , LEGACY iCORRECTED .Wartość domyślna: LEGACY |
int96RebaseMode Typ: String Steruje przebazowaniem wartości znacznika czasu INT96 między kalendarzami Julian i Proleptic Gregorian. Dozwolone wartości: EXCEPTION , LEGACY iCORRECTED .Wartość domyślna: LEGACY |
mergeSchema Typ: Boolean Czy wywnioskować schemat między wieloma plikami i scalić schemat każdego pliku. Wartość domyślna: false |
readerCaseSensitive Typ: Boolean Określa zachowanie poufności wielkości liter po rescuedDataColumn włączeniu. Jeśli to prawda, należy uratować kolumny danych, których nazwy różnią się wielkością liter od schematu; w przeciwnym razie odczytaj dane w sposób niewrażliwy na wielkość liter.Wartość domyślna: true |
rescuedDataColumn Typ: String Czy zebrać wszystkie dane, których nie można przeanalizować z powodu niezgodności typu danych i niezgodności schematu (w tym wielkości liter kolumn) do oddzielnej kolumny. Ta kolumna jest domyślnie dołączana podczas korzystania z modułu automatycznego ładowania. Aby uzyskać więcej informacji, zobacz Co to jest uratowana kolumna danych?. Wartość domyślna: Brak |
AVRO
Opcje
Opcja |
---|
avroSchema Typ: String Opcjonalny schemat dostarczony przez użytkownika w formacie Avro. Podczas odczytywania avro tę opcję można ustawić na rozwinięty schemat, który jest zgodny, ale różni się od rzeczywistego schematu Avro. Schemat deserializacji będzie zgodny ze schematem rozwiniętym. Jeśli na przykład ustawisz rozwinięty schemat zawierający jedną dodatkową kolumnę z wartością domyślną, wynik odczytu będzie również zawierać nową kolumnę. Wartość domyślna: Brak |
datetimeRebaseMode Typ: String Określa ponowne łączenie wartości DATE i TIMESTAMP między kalendarzami Julian i Proleptic Gregorian. Dozwolone wartości: EXCEPTION , LEGACY iCORRECTED .Wartość domyślna: LEGACY |
mergeSchema Typ: Boolean Czy wywnioskować schemat między wieloma plikami i scalić schemat każdego pliku. mergeSchema w przypadku usługi Avro nie można zrelaksować typów danych.Wartość domyślna: false |
readerCaseSensitive Typ: Boolean Określa zachowanie poufności wielkości liter po rescuedDataColumn włączeniu. Jeśli to prawda, należy uratować kolumny danych, których nazwy różnią się wielkością liter od schematu; w przeciwnym razie odczytaj dane w sposób niewrażliwy na wielkość liter.Wartość domyślna: true |
rescuedDataColumn Typ: String Czy zebrać wszystkie dane, których nie można przeanalizować z powodu niezgodności typu danych i niezgodności schematu (w tym wielkości liter kolumn) do oddzielnej kolumny. Ta kolumna jest domyślnie dołączana podczas korzystania z modułu automatycznego ładowania. Aby uzyskać więcej informacji, zobacz Co to jest uratowana kolumna danych?. Wartość domyślna: Brak |
BINARYFILE
Opcje
Pliki binarne nie mają żadnych dodatkowych opcji konfiguracji.
TEXT
Opcje
Opcja |
---|
encoding Typ: String Nazwa kodowania plików TEXT. Zobacz java.nio.charset.Charset listę opcji.Wartość domyślna: UTF-8 |
lineSep Typ: String Ciąg między dwoma kolejnymi rekordami TEXT. Wartość domyślna: Brak, który obejmuje \r wartości , \r\n i \n |
wholeText Typ: Boolean Czy odczytywać plik jako pojedynczy rekord. Wartość domyślna: false |
ORC
Opcje
Opcja |
---|
mergeSchema Typ: Boolean Czy wywnioskować schemat między wieloma plikami i scalić schemat każdego pliku. Wartość domyślna: false |