Azure Databricks'te dosyalarla çalışma

  • Makale

Azure Databricks'te aşağıdaki konumlardaki dosyalarla etkileşime yönelik birden çok yardımcı program ve API vardır:

  • Unity Kataloğu birimleri
  • Çalışma alanı dosyaları
  • Bulut nesne depolaması
  • DBFS bağlamaları ve DBFS kökü
  • Kümenin sürücü düğümüne bağlı kısa ömürlü depolama

Bu makalede, aşağıdaki araçlar için bu konumlardaki dosyalarla etkileşime yönelik örnekler verilmiştir:

  • Apache Spark
  • Spark SQL ve Databricks SQL
  • Databricks dosya sistemi yardımcı programları (dbutils.fs veya %fs)
  • Databricks CLI
  • Databricks REST API
  • Bash kabuk komutları (%sh)
  • %pip kullanılarak notebook kapsamlı kitaplık yüklemeleri
  • Pandalar
  • OSS Python dosya yönetimi ve işleme yardımcı programları

Önemli

FUSE veri erişimi gerektiren dosya işlemleri URI'leri kullanarak bulut nesne depolamaya doğrudan erişemez. Databricks, FUSE için bu konumlara erişimi yapılandırmak için Unity Kataloğu birimlerinin kullanılmasını önerir.

Scala, Unity Kataloğu ve paylaşılan erişim modu ile yapılandırılmış işlem birimlerinde ve çalışma alanı dosyalarında FUSE'yi destekler. Tek kullanıcı erişim modu ve Databricks Runtime 14.3 ve üzeri ile yapılandırılan işlemde Scala, Scala komutu "cat /Volumes/path/to/file".!!gibi Scala'dan kaynaklanan alt işlemler dışında Unity Kataloğu birimleri ve çalışma alanı dosyaları için FUSE'ı destekler.

Spark ve diğer JVM işlemleri, Unity Kataloğu'nu destekleyen okuyucuları ve yazarları kullanarak yalnızca Unity Kataloğu birimlerine veya çalışma alanı dosyalarına erişebilir. Örneğin, Spark yapılandırmasında bir JAR dosyasını bağımlılık olarak belirtemezsiniz ve PySpark özel veri kaynaklarını kullanamazsınız. Birimlerdeki veya çalışma alanı dosyalarındaki dosyalara erişmesi gereken kitaplıklardan bir JVM iş yükünüz varsa, python veya %sh mv.gibi kabuk komutlarını kullanarak dosyaları yerel hesaplama depolama alanına kopyalayın. JVM kullanan %fs veya dbutils.fs kullanmayın. Küme başlatma sırasında bir dosyanın mevcut olması gerekiyorsa, önce dosyayı taşımak için bir init betiği kullanın. Bkz. Başlatma betikleri nelerdir?.

Verilere erişmek için bir URI düzeni sağlamam gerekiyor mu?

Azure Databricks'teki veri erişim yolları aşağıdaki standartlardan birini izler:

  • URI stili yollar bir URI düzeni içerir. Databricks'e özel veri erişim çözümleri için URI düzenleri çoğu kullanım örneğinde isteğe bağlıdır. Bulut nesne depolamadaki verilere doğrudan erişirken, depolama türü için doğru URI düzenini sağlamanız gerekir.

    URI yolları diyagramı

  • POSIX stili yollar sürücü köküne (/) göre veri erişimi sağlar. POSIX stili yollar hiçbir zaman bir düzen gerektirmez. Bulut nesne depolamadaki verilere POSIX stilinde erişim sağlamak için Unity Kataloğu birimlerini veya DBFS bağlamalarını kullanabilirsiniz. Birçok ML çerçevesi ve diğer OSS Python modülleri FUSE gerektirir ve yalnızca POSIX stili yolları kullanabilir.

    POSIX yolları diyagramı

Unity Kataloğu birimlerindeki dosyalarla çalışma

Databricks, bulut nesne depolama alanında depolanan tablosal olmayan veri dosyalarına erişimi yapılandırmak için Unity Kataloğu birimlerinin kullanılmasını önerir. Bkz. Unity Kataloğu birimleri nelerdir?.

Alet Örnek
Apache Spark spark.read.format("json").load("/Volumes/my_catalog/my_schema/my_volume/data.json").show()
Spark SQL ve Databricks SQL SELECT * FROM csv.`/Volumes/my_catalog/my_schema/my_volume/data.csv`;
LIST '/Volumes/my_catalog/my_schema/my_volume/';
Databricks dosya sistemi yardımcı programları dbutils.fs.ls("/Volumes/my_catalog/my_schema/my_volume/")
%fs ls /Volumes/my_catalog/my_schema/my_volume/
Databricks CLI databricks fs cp /path/to/local/file dbfs:/Volumes/my_catalog/my_schema/my_volume/
Databricks REST API POST https://<databricks-instance>/api/2.1/jobs/create
{"name": "A multitask job", "tasks": [{..."libraries": [{"jar": "/Volumes/dev/environment/libraries/logging/Logging.jar"}],},...]}
Bash kabuk dili komutları %sh curl http://<address>/text.zip -o /Volumes/my_catalog/my_schema/my_volume/tmp/text.zip
Kitaplık yüklemeleri %pip install /Volumes/my_catalog/my_schema/my_volume/my_library.whl
Pandalar df = pd.read_csv('/Volumes/my_catalog/my_schema/my_volume/data.csv')
Açık Kaynak Yazılım Python os.listdir('/Volumes/my_catalog/my_schema/my_volume/path/to/directory')

Not

Databricks CLI ile çalışırken dbfs:/ düzeni gereklidir.

Hacim sınırlamaları

Hacimlerin aşağıdaki sınırlamaları vardır:

  • Zip ve Excel dosyaları yazma gibi doğrudan ekleme veya sıralı olmayan (rastgele) yazma işlemleri desteklenmez. Doğrudan ekleme veya rastgele yazma iş yükleri için, önce yerel diskte işlemleri gerçekleştirin ve ardından sonuçları Unity Kataloğu birimlerine kopyalayın. Mesela:

    # python
import xlsxwriter
from shutil import copyfile

workbook = xlsxwriter.Workbook('/local_disk0/tmp/excel.xlsx')
worksheet = workbook.add_worksheet()
worksheet.write(0, 0, "Key")
worksheet.write(0, 1, "Value")
workbook.close()

copyfile('/local_disk0/tmp/excel.xlsx', '/Volumes/my_catalog/my_schema/my_volume/excel.xlsx')

  • Seyrek dosyalar desteklenmez. Seyrek dosyaları kopyalamak için cp --sparse=neverkullanın:

    $ cp sparse.file /Volumes/my_catalog/my_schema/my_volume/sparse.file
error writing '/dbfs/sparse.file': Operation not supported
$ cp --sparse=never sparse.file /Volumes/my_catalog/my_schema/my_volume/sparse.file

Çalışma alanı dosyalarıyla çalışma

Databricks çalışma alanı dosyaları bir çalışma alanında bulunan dosyalardır. Not defterleri, kaynak kod dosyaları, veri dosyaları ve diğer çalışma alanı varlıkları gibi dosyaları depolamak ve bu dosyalara erişmek için çalışma alanı dosyalarını kullanabilirsiniz. Çalışma alanı dosyalarının boyut kısıtlamaları olduğundan Databricks, geliştirme ve test için yalnızca küçük veri dosyalarının burada depolanmasını önerir.

Alet Örnek
Apache Spark spark.read.format("json").load("file:/Workspace/Users/<user-folder>/data.json").show()
Spark SQL ve Databricks SQL SELECT * FROM json.`file:/Workspace/Users/<user-folder>/file.json`;
Databricks dosya sistemi yardımcı programları dbutils.fs.ls("file:/Workspace/Users/<user-folder>/")
%fs ls file:/Workspace/Users/<user-folder>/
Databricks CLI databricks workspace list
Databricks REST API POST https://<databricks-instance>/api/2.0/workspace/delete
{"path": "/Workspace/Shared/code.py", "recursive": "false"}
Bash kabuk dili komutları %sh curl http://<address>/text.zip -o /Workspace/Users/<user-folder>/text.zip
Kitaplık yüklemeleri %pip install /Workspace/Users/<user-folder>/my_library.whl
Pandalar df = pd.read_csv('/Workspace/Users/<user-folder>/data.csv')
Açık Kaynak Yazılım Python os.listdir('/Workspace/Users/<user-folder>/path/to/directory')

Not

Databricks Yardımcı Programları, Apache Spark veya SQL ile çalışırken file:/ şeması gereklidir.

Çalışma alanı dosyalarıyla çalışmayla ilgili sınırlamalar için bkz. Sınırlamalar.

Silinen çalışma alanı dosyaları nereye gider?

Çalışma alanı dosyasını silmek, dosyayı çöp kutusuna gönderir. Kullanıcı arabirimini kullanarak çöp sepetindeki dosyaları kurtarabilir veya kalıcı olarak silebilirsiniz.

Bkz. Nesneyi Sil.

Bulut nesne depolamasında dosyalarla çalışma

Databricks, bulut nesne depolamadaki dosyalara güvenli erişim yapılandırmak için Unity Kataloğu birimlerinin kullanılmasını önerir. URI'leri kullanarak bulut nesne depolamadaki verilere doğrudan erişmeyi seçerseniz izinleri yapılandırmanız gerekir. "Bkz. Dış konumların, dış tabloların ve dış birimlerin yönetimi."

Aşağıdaki örneklerde bulut nesne depolamadaki verilere erişmek için URI'ler kullanılır:

Alet Örnek
Apache Spark spark.read.format("json").load("abfss://container-name@storage-account-name.dfs.core.windows.net/path/file.json").show()
Spark SQL ve Databricks SQL SELECT * FROM csv.`abfss://container-name@storage-account-name.dfs.core.windows.net/path/file.json`; LIST 'abfss://container-name@storage-account-name.dfs.core.windows.net/path';
Databricks dosya sistemi yardımcı programları dbutils.fs.ls("abfss://container-name@storage-account-name.dfs.core.windows.net/path/") %fs ls abfss://container-name@storage-account-name.dfs.core.windows.net/path/
Databricks CLI Desteklenmiyor
Databricks REST API Desteklenmiyor
Bash kabuk dili komutları Desteklenmiyor
Kitaplık yüklemeleri %pip install abfss://container-name@storage-account-name.dfs.core.windows.net/path/to/library.whl
Pandalar Desteklenmiyor
Açık Kaynak Yazılım Python Desteklenmiyor

Not

DBFS bağlamalarında ve DBFS kökünde dosyalarla çalışma

DBFS bağlamaları Unity Kataloğu kullanılarak güvenli hale getirilemez ve artık Databricks tarafından önerilmez. DBFS kökünde depolanan verilere çalışma alanındaki tüm kullanıcılar erişebilir. Databricks, dbfs kökünde hassas veya üretim kodu ya da veri depolamamanızı önerir. Bkz. DBFS nedir?.

Alet Örnek
Apache Spark spark.read.format("json").load("/mnt/path/to/data.json").show()
Spark SQL ve Databricks SQL SELECT * FROM json.`/mnt/path/to/data.json`;
Databricks dosya sistemi yardımcı programları dbutils.fs.ls("/mnt/path")
%fs ls /mnt/path
Databricks CLI databricks fs cp dbfs:/mnt/path/to/remote/file /path/to/local/file
Databricks REST API POST https://<host>/api/2.0/dbfs/delete --data '{ "path": "/tmp/HelloWorld.txt" }'
Bash kabuk dili komutları %sh curl http://<address>/text.zip > /dbfs/mnt/tmp/text.zip
Kitaplık yüklemeleri %pip install /dbfs/mnt/path/to/my_library.whl
Pandalar df = pd.read_csv('/dbfs/mnt/path/to/data.csv')
Açık Kaynak Yazılım Python os.listdir('/dbfs/mnt/path/to/directory')

Not

Databricks CLI ile çalışırken dbfs:/ düzeni gereklidir.

Sürücü düğümüne bağlı kısa ömürlü depolamadaki dosyalarla çalışma

Sürücü düğümüne eklenen geçici depolama, yerleşik POSIX tabanlı yol erişimine sahip blok depolamadır. Bir küme sonlandırıldığında veya yeniden başlatıldığında bu konumda depolanan tüm veriler kaybolur.

Alet Örnek
Apache Spark Desteklenmiyor
Spark SQL ve Databricks SQL Desteklenmiyor
Databricks dosya sistemi yardımcı programları dbutils.fs.ls("file:/path")
%fs ls file:/path
Databricks CLI Desteklenmiyor
Databricks REST API Desteklenmiyor
Bash kabuk dili komutları %sh curl http://<address>/text.zip > /tmp/text.zip
Kitaplık yüklemeleri Desteklenmiyor
Pandalar df = pd.read_csv('/path/to/data.csv')
Açık Kaynak Yazılım Python os.listdir('/path/to/directory')

Not

Databricks Yardımcı Programları ile çalışırken file:/ şeması gereklidir.

Kısa ömürlü depolamadan birimlere veri taşıma

Apache Spark kullanarak kısa ömürlü depolamaya indirilen veya kaydedilen verilere erişmek isteyebilirsiniz. Kısa ömürlü depolama sürücüye eklendiğinden ve Spark dağıtılmış bir işleme altyapısı olduğundan, tüm işlemler verilere buradan doğrudan erişemez. Sürücü dosya sisteminden Unity Kataloğu birimlerine veri taşımanız gerektiğini varsayalım. Bu durumda, aşağıdaki örneklerde gösterildiği gibi sihirli komutları veya Databricks yardımcı programlarınıkullanarak dosyaları kopyalayabilirsiniz:

dbutils.fs.cp ("file:/<path>", "/Volumes/<catalog>/<schema>/<volume>/<path>")

%sh cp /<path> /Volumes/<catalog>/<schema>/<volume>/<path>

%fs cp file:/<path> /Volumes/<catalog>/<schema>/<volume>/<path>

Ek kaynaklar

Yerel dosyaları yükleme veya Azure Databricks'e internet dosyaları indirme hakkında bilgi için bkz. Azure Databricks'e dosya yükleme.