如何將鑲木地板文件上傳到 Azure ADLS 2 Blob

Question

嗨，我想將 Parquet 文件上傳到 ADLS gen 2 blob。 我正在使用下面的代碼行來創建 blob 並在其中上傳 parquet 文件。

blob = BlobClient.from_connection_string(conn_str="Connection String", container_name="parquet", blob_name=outdir)
df.to_parquet('logs.parquet',compression='GZIP') #df is dataframe
with open("./logs.parquet", "rb") as data:
blob.upload_blob(data)
os.remove("logs.parquet")

我沒有遇到任何錯誤，文件也寫在 blob 中。 但是，我不認為我做對了，因為 ADX/kusto 查詢無法理解該文件並且那里沒有數據可見。

以下是我在 Azure 數據資源管理器中執行的步驟，以從 ADLS gen 2 中上傳的 parquet 文件中獲取記錄。

創建的外部表：

.create external table LogDataParquet(AppId_s:string,UserId_g:string,Email_s:string,RoleName_s:string,Operation_s:string,EntityId_s:string,EntityType_s:string,EntityName_s:string,TargetTitle_s:string,TimeGenerated:datetime) 
kind=blob
dataformat=parquet
( 
   h@'https://streamoutalds2.blob.core.windows.net/stream-api-raw-testing;secret'
)
with 
(
   folder = "ExternalTables"   
)

外部表列映射：

.create external table LogDataParquet parquet mapping "LogDataMapparquet" '[{ "column" : "AppId_s", "path" : "$.AppId_s"},{ "column" : "UserId_g", "path" : "$"},{ "column" : "Email_s", "path" : "$.Email_s"},{ "column" : "RoleName_s", "path" : "$.RoleName_s"},{ "column" : "Operation_s", "path" : "$.Operation_s"},{ "column" : "EntityId_s", "path" : "$.EntityId_s"}]'

外部表不提供記錄

external_table('LogDataParquet')

沒有記錄

external_table('LogDataParquet') | count 

1 條記錄 - 計數 0

我使用 stream 分析使用了類似的場景，我接收傳入的流並將其以鑲木地板格式保存到 ADLS。 在這種情況下，ADX 中的外部表可以很好地獲取記錄。 我覺得我在用 blob 編寫鑲木地板文件的方式上犯了錯誤 - （使用 open("./logs.parquet", "rb") 作為數據：）

Answer 1

根據日志，外部表定義如下：

.create external table LogDataParquet(AppId_s:string,UserId_g:string,Email_s:string,RoleName_s:string,Operation_s:string,EntityId_s:string,EntityType_s:string,EntityName_s:string,TargetTitle_s:string,TimeGenerated:datetime) 
kind=blob
partition by 
   AppId_s,
   bin(TimeGenerated,1d)
dataformat=parquet
( 
   '******'
)
with 
(
   folder = "ExternalTables"   
)

PARTITION BY子句告訴 ADX 預期的文件夾布局是：

<AppId_s>/<TimeGenerated, formatted as 'yyyy/MM/dd'>

例如：

https://streamoutalds2.blob.core.windows.net/stream-api-raw-testing;secret/SuperApp/2020/01/31

您可以在本節中找到有關 ADX 如何在查詢期間在外部存儲上定位文件的更多信息： https://docs.microsoft.com/en-us/azure/data-explorer/kusto/management/external-tables-azurestorage -azuredatalake#artifact-filtering-logic

要根據文件夾布局修復外部表定義，請使用.alter命令：

.alter external table LogDataParquet(AppId_s:string,UserId_g:string,Email_s:string,RoleName_s:string,Operation_s:string,EntityId_s:string,EntityType_s:string,EntityName_s:string,TargetTitle_s:string,TimeGenerated:datetime) 
kind=blob
dataformat=parquet
( 
  h@'https://streamoutalds2.blob.core.windows.net/stream-api-raw-testing;secret'
)
with 
(
   folder = "ExternalTables"   
)

順便說一句，如果映射是幼稚的（例如，映射的列名與數據源列名匹配），那么 Parquet 格式就不需要它。