排程資料匯入作業（預覽版）

發行項
09/03/2024

適用於：Azure CLI ml 延伸模組 v2 (目前)Python SDK azure-ai-ml v2 (目前)

在本文中，您將了解如何使用排程 UI，以程式設計方式排程資料匯入。您可以根據已耗用時間建立排程。以時間為基礎的排程可以處理例行工作，例如，一般資料匯入以保持最新狀態。了解如何建立排程後，您將繼續了解如何透過 CLI、SDK 和 studio UI 資源擷取、更新和停用排程。

必要條件

您需要 Azure 訂用帳戶才能使用 Azure Machine Learning。如尚未擁有 Azure 訂用帳戶，請在開始之前先建立免費帳戶。立即試用免費或付費版本的 Azure Machine Learning。

安裝 Azure CLI 和 ml 擴充功能。遵循安裝、設定和使用 CLI (v2) 中的安裝步驟。
建立 Azure Machine Learning 工作區 (如果沒有的話)。若要建立工作區，請參閱安裝、設定和使用 CLI (v2)。

排程資料匯入

若要定期匯入資料，您必須建立排程。 Schedule 會將資料匯入動作與觸發程序建立關聯。觸發程序可以是 cron，其會使用 cron 運算式來描述執行之間的延遲，或 recurrence，指定觸發工作的頻率。在每種案例下，您必須先建置匯入資料定義。現有資料匯入或內嵌資料匯入都適用。如需詳細資訊，請瀏覽在 CLI、SDK 和 UI 中建立資料匯入 (部分機器翻譯)。

建立排程

使用定期模式建立依據時間的排程

適用於：Azure CLI ml 延伸模組 v2 (目前)

YAML：資料匯入排程（定期模式）

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_recurrence_import_schedule
display_name: Simple recurrence import schedule
description: a simple hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML：資料匯入排程定義符合受控資料存放區的定期模式

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_recurrence_import_schedule
display_name: Inline recurrence import schedule
description: an inline hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspacemanagedstore
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

trigger 包含下列屬性：

(必要項目) type 指定排程型別 recurrence 或 cron。下一節有詳細資訊。

接著在 CLI 中執行這個命令：

> az ml schedule create -f <file-name>.yml

適用於：Python SDK azure-ai-ml v2 (目前)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import (
    ImportDataSchedule,
    RecurrenceTrigger,
    RecurrencePattern,
)
from datetime import datetime

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()

recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=1, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=recurrence_trigger, import_data=my_data
)

ml_client.schedules.begin_create_or_update(import_schedule).result()

RecurrenceTrigger 包含下列屬性：

(必要項目) 為提供更好的編碼體驗，我們使用 RecurrenceTrigger 定期排程。

注意

這些屬性適用於 CLI 和 SDK：

(必要項目) frequency 指定描述排程啟動頻率的時間單位。可具有值
- minute
- hour
- day
- week
- month
(必要項目) interval 根據頻率指定排程啟動週期，即等候排程再次啟動的時間單位數。
(選用) schedule 定義定期模式，包含 hours、minutes 和 weekdays。
- 若 frequency 等於 day，模式可以指定 hours 和 minutes。
- 若 frequency 等於 week 和 month，模式可以指定 hours、minutes 和 weekdays。
- hours 應是整數或清單，範圍在 0 到 23 之間。
- minutes 應是整數或清單，範圍在 0 到 59 之間。
- weekdays 範圍從 monday 到 sunday 的字串或清單。
- 如果省略 schedule，作業觸發程序將根據 start_time、frequency 和 interval 的邏輯觸發。
（選用）start_time 說明開始日期和時間（含時區）。如果省略 start_time，start_time 等於作業建立時間。如果開始時間已過，第一個作業將在下一個算出的執行階段執行。
（選用）end_time 說明結束日期和時間（含時區）。如果省略 end_time，排程將繼續觸發作業，直到您手動停用排程為止。
(選用) time_zone 指定定期的時區。如果省略，預設時區是 UTC。如需時區值的詳細資訊，請瀏覽時區值的附錄 (部分機器翻譯)。

使用 cron 運算式建立依據時間的排程

YAML：資料匯入排程（cron 運算式）

適用於：Azure CLI ml 延伸模組 v2 (目前)

YAML：資料匯入排程（cron 運算式）（預覽版）

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_cron_import_schedule
display_name: Simple cron import schedule
description: a simple hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML：資料匯入排程定義符合 cron 運算式（預覽版）

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_cron_import_schedule
display_name: Inline cron import schedule
description: an inline hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspaceblobstore/paths/snowflake/${{name}}
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

trigger 區段會定義排程詳細資料，並包含這些屬性：

(必要項目) type 指定 cron 型別類型。

> az ml schedule create -f <file-name>.yml

接續前一清單：

適用於：Python SDK azure-ai-ml v2 (目前)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import CronTrigger, ImportDataSchedule

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_cron"

cron_trigger = CronTrigger(
    expression="15 10 * * 1",
    start_time=datetime.utcnow(),
    end_time="2023-12-03T18:40:00",
)
import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=cron_trigger, import_data=my_data
)
ml_client.schedules.begin_create_or_update(import_schedule).result()

CronTrigger 區段會定義排程詳細資料，並包含這些屬性：

(必要項目) 為提供更好的編碼體驗，我們使用 CronTrigger 定期排程。

接續前一清單：

(必要項目) expression 使用標準 crontab 運算式來表示週期性排程。單一運算式由五個空格分隔欄位組成：

MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK

單一萬用字元 (*)，涵蓋欄位所有的值。 *（以天為單位）表示當月的每一天（隨月份和年份而有所不同）。
上述範例中的 expression: "15 16 * * 1" 即每星期一下午 4:15。

下表列出每個欄位的有效值：

欄位	範圍	註解
`MINUTES`	0-59	-
`HOURS`	0-23	-
`DAYS`	-	不支援。將忽略該值，並將該值視為 `*`。
`MONTHS`	-	不支援。將忽略該值，並將該值視為 `*`。
`DAYS-OF-WEEK`	0-6	零 (0) 即星期日。也接受星期名稱。

如需 crontab 表達式的詳細資訊，請瀏覽 GitHub 上的 Crontab 表達式 Wiki 資源 (英文)。

重要

不支援 DAYS 和 MONTH。如果您傳遞其中一個值，系統將忽略該值，並將該值視為 *。

(選用) start_time 使用排程的時區，指定開始日期和時間。舉例而言，start_time: "2022-05-10T10:15:00-04:00" 表示排程從 UTC-4 時區 2022 年 5 月 10 日上午 10:15:00 開始。如果省略 start_time，則 start_time 等於排程建立時間。如果開始時間已過，第一個作業將在下一個算出的執行階段執行。
（選用）end_time 說明結束日期和時間（含時區）。如果省略 end_time，排程將繼續觸發作業，直到您手動停用排程為止。
(選用) time_zone 指定運算式的時區。如果省略 time_zone，則時區預設為 UTC。如需時區值的詳細資訊，請瀏覽時區值的附錄 (部分機器翻譯)。

限制：

目前 Azure Machine Learning v2 排程不支援事件型觸發程序。
使用 Azure Machine Learning SDK/CLI v2 指定含多個觸發程序時間戳記的複雜定期模式。 UI 只顯示複雜模式，不支援編輯。
如果您將定期設為每月 31 號，對於日期少於 31 天的月份，排程不會觸發該月的作業。

列出工作區中的排程

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml schedule list

適用於：Python SDK azure-ai-ml v2 (目前)

schedules = ml_client.schedules.list()
[s.name for s in schedules]

檢查排程詳細資料

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml schedule show -n simple_cron_data_import_schedule

適用於：Python SDK azure-ai-ml v2 (目前)

created_schedule = ml_client.schedules.get(name=schedule_name)
[created_schedule.name]

更新排程

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml schedule update -n simple_cron_data_import_schedule  --set description="new description" --no-wait

注意

若不只要更新標籤/說明，建議您使用 az ml schedule create --file update_schedule.yml

適用於：Python SDK azure-ai-ml v2 (目前)

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

停用排程

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml schedule disable -n simple_cron_data_import_schedule --no-wait

job_schedule = ml_client.schedules.begin_disable(name=schedule_name).result()
job_schedule.is_enabled

啟用排程

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml schedule enable -n simple_cron_data_import_schedule --no-wait

適用於：Python SDK azure-ai-ml v2 (目前)

# Update trigger expression
job_schedule.trigger.expression = "10 10 * * 1"
job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

刪除排程

重要

刪除排程之前，必須先予以停用。刪除是永久且無法復原的動作。排程一經刪除，即無法存取或復原。

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml schedule delete -n simple_cron_data_import_schedule

適用於：Python SDK azure-ai-ml v2 (目前)

# Only disabled schedules can be deleted
ml_client.schedules.begin_disable(name=schedule_name).result()
ml_client.schedules.begin_delete(name=schedule_name).result()

RBAC（角色型存取控制）支援

排程通常用於實際執行環境。為避免發生問題，工作區管理員可能希望限制工作區內的排程建立和管理權限。

目前有 3 個動作規則與排程相關，您可以在 Azure 入口網站中設定。如需詳細資訊，請瀏覽管如何管理 Azure Machine Learning 工作區的存取權 (部分機器翻譯)。

動作	描述	規則
參閱	取得並列出 Machine Learning 工作區中的排程	Microsoft.MachineLearningServices/workspaces/schedules/read
寫入	在 Machine Learning 工作區中建立、更新、停用和啟用排程	Microsoft.MachineLearningServices/workspaces/schedules/write
刪除	刪除 Machine Learning 工作區中的排程	Microsoft.MachineLearningServices/workspaces/schedules/delete

下一步

深入了解 CLI (v2) 資料匯入排程 YAML 結構描述。
瞭解如何管理資料匯入資產。

共用方式為

排程資料匯入作業（預覽版）

必要條件

排程資料匯入

建立排程

使用定期模式建立依據時間的排程

YAML：資料匯入排程（定期模式）

YAML：資料匯入排程定義符合受控資料存放區的定期模式

使用 cron 運算式建立依據時間的排程

YAML：資料匯入排程（cron 運算式）

YAML：資料匯入排程（cron 運算式）（預覽版）

YAML：資料匯入排程定義符合 cron 運算式（預覽版）

列出工作區中的排程

檢查排程詳細資料

更新排程

將資料匯入定義，更新到現有排程

在排程詳細資料頁面中更新

停用排程

啟用排程

刪除排程

RBAC（角色型存取控制）支援

下一步

意見反應

其他資源