使用 Azure Data Factory 或 Synapse Analytics 從 Spark 複製資料
適用於：
Azure Data Factory Azure Synapse Analytics
提示
試用 Microsoft Fabric 中的 Data Factory，這是適用於企業的全方位分析解決方案。 Microsoft Fabric 涵蓋從資料移動到資料科學、即時分析、商業智慧和報告的所有項目。 了解如何免費開始新的試用！
此文章概述如何使用 Azure Data Factory 或 Synapse Analytics 管線中的複製活動，從 Spark 複製資料。 本文是根據複製活動概觀一文，該文提供複製活動的一般概觀。
支援的功能
此 Spark 連接器支援下列功能：
| 支援的功能 | IR |
|---|---|
| 複製活動 (來源/-) | ① ② |
| 查閱活動 | ① ② |
① Azure 整合執行階段 ② 自我裝載整合執行階段
如需複製活動所支援作為來源/接收器的資料存放區清單，請參閱支援的資料存放區表格。
此服務提供的內建驅動程式可啟用連線，因此，您不需手動安裝任何驅動程式，即可使用此連接器。
必要條件
如果您的資料存放區位於內部部署網路、Azure 虛擬網路或 Amazon 虛擬私人雲端中，則必須設定自我裝載整合執行階段以與其連線。
如果您的資料存放區是受控雲端資料服務，則可使用 Azure Integration Runtime。 如果只能存取防火牆規則中核准的 IP，您可以將 Azure Integration Runtime IP 新增至允許清單。
您也可以使用 Azure Data Factory 中的受控虛擬網路整合執行階段功能來存取內部部署網路，而不需要安裝和設定自我裝載整合執行階段。
如需 Data Factory 支援的網路安全性機制和選項的詳細資訊，請參閱資料存取策略。
開始使用
若要透過管線執行複製活動，您可以使用下列其中一個工具或 SDK：
使用 UI 建立連結至 Spark 的服務
使用下列步驟，在 Azure 入口網站 UI 中建立連結至 Spark 的服務。
前往 Azure Data Factory 或 Synapse 工作區的 [管理] 索引標籤，選取 [連結服務]，然後按一下 [新增]：
搜尋 Spark 並選取 Spark 連接器。
設定服務詳細資料，測試連線，然後建立新的連結服務。
連接器設定詳細資料
下列各節提供屬性的相關詳細資料，這些屬性是用來定義 Spark 連接器專屬的 Data Factory 實體。
連結服務屬性
以下是針對 Spark 已連結服務支援的屬性：
| 屬性 | 描述 | 必要 |
|---|---|---|
| type | Type 屬性必須設定為：Spark | Yes |
| host | Spark 伺服器的 IP 位址或主機名稱 | Yes |
| port | Spark 伺服器用來接聽用戶端連線的 TCP 連接埠。 如果您連線到 Azure HDInsights，請將連接埠指定為 443。 | Yes |
| serverType | Spark 伺服器的類型。 允許的值為：SharkServer、SharkServer2、SparkThriftServer |
No |
| thriftTransportProtocol | Thrift 層中使用的傳輸通訊協定。 允許的值為：Binary、SASL、HTTP |
No |
| authenticationType | 用來存取 Spark 伺服器的驗證方法。 允許的值為：Anonymous、UsernameUsernameAndPasswordWindowsAzureHDInsightService |
Yes |
| username | 您用來存取 Spark 伺服器的使用者名稱。 | No |
| password | 對應到使用者的密碼。 將此欄位標記為 SecureString 以便安全儲存，或參考 Azure Key Vault 中儲存的祕密。 | No |
| httpPath | 對應至 Spark 伺服器的部分 URL。 | No |
| enableSsl | 指定是否使用 TLS 加密與伺服器的連線。 預設值為 false。 | No |
| trustedCertPath | .pem 檔案的完整路徑，其中包含在透過 TLS 連線時，用來驗證伺服器的受信任 CA 憑證。 只有在自我裝載 IR 上使用 TLS 時，才能設定這個屬性。 預設值為隨 IR 安裝的 cacerts.pem 檔案。 | No |
| useSystemTrustStore | 指定是否使用來自系統信任存放區或來自指定 PEM 檔案的 CA 憑證。 預設值為 false。 | No |
| allowHostNameCNMismatch | 指定在透過 TLS 連線時，是否要求 CA 所核發的 TLS/SSL 憑證名稱符合伺服器的主機名稱。 預設值為 false。 | No |
| allowSelfSignedServerCert | 指定是否允許來自伺服器的自我簽署憑證。 預設值為 false。 | No |
| connectVia | 用於連線到資料存放區的 Integration Runtime。 深入了解必要條件一節。 如果未指定，就會使用預設的 Azure Integration Runtime。 | No |
範例：
{
"name": "SparkLinkedService",
"properties": {
"type": "Spark",
"typeProperties": {
"host" : "<cluster>.azurehdinsight.net",
"port" : "<port>",
"authenticationType" : "WindowsAzureHDInsightService",
"username" : "<username>",
"password": {
"type": "SecureString",
"value": "<password>"
}
}
}
}
資料集屬性
如需可用來定義資料集的區段和屬性完整清單，請參閱資料集一文。 本節提供 Spark 資料集所支援的屬性清單。
若要從 Spark 複製資料，請將資料集的 type 屬性設定為 SparkObject。 以下是支援的屬性：
| 屬性 | 描述 | 必要 |
|---|---|---|
| type | 資料集的類型屬性必須設為 SparkObject | Yes |
| schema | 結構描述的名稱。 | 否 (如果已指定活動來源中的「查詢」) |
| table | 資料表的名稱。 | 否 (如果已指定活動來源中的「查詢」) |
| tableName | 具有結構描述的資料表名稱。 支援此屬性是基於回溯相容性。 對於新的工作負載，請使用 schema 和 table。 |
否 (如果已指定活動來源中的「查詢」) |
範例
{
"name": "SparkDataset",
"properties": {
"type": "SparkObject",
"typeProperties": {},
"schema": [],
"linkedServiceName": {
"referenceName": "<Spark linked service name>",
"type": "LinkedServiceReference"
}
}
}
複製活動屬性
如需可用來定義活動的區段和屬性完整清單，請參閱管線一文。 本節提供 Spark 來源所支援的屬性清單。
Spark 作為來源
若要從 Spark 複製資料，請將複製活動中的來源類型設定為 SparkSource。 複製活動的 source 區段支援下列屬性：
| 屬性 | 描述 | 必要 |
|---|---|---|
| type | 複製活動來源的 type 屬性必須設定為：SparkSource | Yes |
| query | 使用自訂 SQL 查詢來讀取資料。 例如： "SELECT * FROM MyTable" 。 |
否 (如果已指定資料集中的 "tableName") |
範例：
"activities":[
{
"name": "CopyFromSpark",
"type": "Copy",
"inputs": [
{
"referenceName": "<Spark input dataset name>",
"type": "DatasetReference"
}
],
"outputs": [
{
"referenceName": "<output dataset name>",
"type": "DatasetReference"
}
],
"typeProperties": {
"source": {
"type": "SparkSource",
"query": "SELECT * FROM MyTable"
},
"sink": {
"type": "<sink type>"
}
}
}
]
查閱活動屬性
若要了解屬性的詳細資料，請參閱查閱活動。
相關內容
如需複製活動支援作為來源和接收器的資料存放區清單，請參閱支援的資料存放區。