Azure Data PlatformETL工具(13)——ADF并行加载多个文件

Posted 2022-12-14 發糞塗牆

本文属于【Azure Data Platform】系列。
接上文：【Azure Data Platform】ETL工具(12)——ADF 参数
本文介绍ADF 的并行导入多个文件

前言

在一个数据类的IT项目中，从多个位置（云和本地或者云中很多存储）中的多个文件导入到一个数据库，比如Azure SQL DB，是很常见的需求。各种可变因素都会导致手工操作变得很困难。因此，借助上文的参数化，还有之前演示的一些内容，来个相对贴近实战的演示。

相对于前面用txt文件，csv文件更加常见，所以本文使用csv来做演示，但是在实际项目中，ADF的数据集并不需要关注到这么精确。毕竟混用的常见的，过度确定也将带来很多不便。不仅文件类型，连列的描述，数据类型等，也不需要非常明确地定义。可以通过占位符来替代一下文件之间的不同处，比如分隔符。

另外使用For Each 这个活动，可以遍历元数据并同时加载多个文件。把这些信息组合成在一起之后，可以创建一个以元数据驱动的管道来动态地加载多个文件。

环境准备

这里准备三个csv文件，第一个文件放10行数据，以“；”为分隔符。 第二个文件存放5行数据，以“；”为分隔符。第三个文件存放5行数据，为了模拟来自于其他系统，所以以逗号“，”为分隔符。并且序号是连续的。
Demo1.csv:

Demo2.csv:

Demo3.csv:

这里新建一个ADLS， 并且创建两个文件夹到container下面，一个叫douhao， 一个叫fenhao。

把文件分别上传到对应的文件夹里面。

然后在目标源（SQL DB）中创建一个配置表来存储这些关系：

create table config
(
 	ID INT IDENTITY(1,1) NOT NULL,
    SourceType VARCHAR(50) NOT NULL,
    ObjectName VARCHAR(500) NOT NULL,
    ObjectValue VARCHAR(1000) NOT NULL
)

初始化数据：

INSERT INTO dbo.[config] (	[SourceType]	,[ObjectName]	,ObjectValue	)
VALUES 
--文件路径
	   ('Container','fenhaoData','fenhao')
	  ,('Container','douhaoData','douhao')
--	分隔符 
	  ,('Delimiter','fenhaoData',';')
	  ,('Delimiter','douhaoData',',')
--	目标表名 
	  ,('SQLTable','fenhaoData','azure_fenhao')
	  ,('SQLTable','douhaoData','azure_douhao')

创建目标表：

CREATE TABLE [dbo].[azure_fenhao](
   [Index] [BIGINT] NULL,
   [Name] varchar(500) NULL
);
 
CREATE TABLE [dbo].[azure_douhao](
   [Index] [BIGINT] NULL,
   [Name] varchar(500) NULL
);

搭建ADF

在环境准备好只有，就开始ADF方面的开发了。

step 1 创建数据集

如果不用参数化，那就要创建4个数据集，2个针对ADLS上的数据源，2个针对SQL DB上的表。但是参数化之后，可以只使用2个数据集即可，一个针对ADLS的数据源，另外一个针对SQL DB上的表。在运行的时候从参数表中获取所需的信息。

跳过页首，并且只指定container即可：

上一文说过，参数化之后，架构部分应该清空：

然后在参数选项中配置参数， 创建两个参数，一个指定路径（path），一个指定分隔符（delimiter）

这次对文件路径中的目录进行动态化：

选择前面定义好的变量“path”

然后配置列分隔符，注意要先点击【编辑】，才能出现“添加动态内容”，不然就只能是选择：

配置好之后如下：

源配置好了，接下来配置目的地的数据集，也就是这里的SQL DB。前面已经演示过很多次，这里就逐步演示。

在这个数据集中新建一个参数，参数名：Tablename

回到连接页，点击编辑后，对表名进行动态化，如下图，这里架构我们使用dbo这个默认架构，如果也需要动态，则还需要第三个变量。

结果如下：

现在，已经配置好了源和目标。接下来就是如何使用配置表了。前面提到过，要让这些一起运行，需要使用pipeline，所以接下来就是创建pipeline。

Step 2 配置管道

首先我们需要读取配置表，相应的ADF 活动就是lookup。 中文版叫“查找”

我们可以使用这个SQL查询信息：

SELECT
     b.[ObjectName]
    ,FolderName = b.[ObjectValue]
    ,SQLTable   = s.[ObjectValue]
    ,Delimiter  = d.[ObjectValue]
FROM [dbo].[config] b
JOIN [dbo].[config] s ON b.[ObjectName] = s.[ObjectName]
JOIN [dbo].[config] d ON b.[ObjectName] = d.[ObjectName]
WHERE   b.[SourceType] = 'Container'
    AND s.[SourceType] = 'SQLTable'
    AND d.[SourceType] = 'Delimiter';

因为我们设置了变量，虽然上面的SQL可以直接用，但是配置里面，一旦不传入点什么值，就会报错：

一旦设置了一个值，点击预览数据就可以看到数据，注意取消勾选【仅第一行】：

然后添加“ForEach”活动，并且通过拖动Lookup的绿色图标连到ForEach 活动中：

然后配置ForEach， 在下图中，因为这里的输入来自于Lookup的输出，所以可以直接获取。但是在最后，要手动添加“.value”：

对ForEach添加活动：

点了这个新增之后，会出现新的界面，如果想退回去前面的界面，点击下面红色长方形的部分即可。接下来我们拖动【复制数据】活动进去：

配置如下， 其中path参数和delimiter参数对应的@item().ObjectValue的ObjectValue是来源于Lookup的输出：

配置完后，进行调试：

实际上有两个并行操作：

1.ForEach 循环将并行分别处理每个 ADLS上的文件夹（分号文件与逗号文件）。
2.在 ForEach 循环的迭代中，CopyData 活动本身将并行处理在一个文件夹中找到的所有 ADLS文件（使用分号数据找到 2 个文件）。

总结

通过这种元数据驱动，可以基本上只更改配置表中的配置信息，即可应对同一行为的大量文件。