Aller au contenu principal
Dernière mise à jour le

Ingérer des données de Google Drive

info

Bêta

Cette fonctionnalité est en Bêta. Les administrateurs du Workspace peuvent contrôler l'accès à cette fonctionnalité à partir de la page Previews . Consultez Gérer les aperçus Databricks.

Cette page montre comment créer un pipeline d'ingestion Google Drive géré à l'aide de Lakeflow Connect.

Avant de commencer​

  • Pour créer le pipeline d'ingestion, vous devez d'abord satisfaire aux exigences suivantes :

    • Votre workspace doit être activé pour Unity Catalog.

    • Le compute Serverless doit être activé pour votre Workspace. Consultez les exigences du compute Serverless.

    • Pour créer une nouvelle connexion, vous devez disposer des privilèges CREATE CONNECTION sur le métastore. Voir Gérer les privilèges dans Unity Catalog.

      Si le connecteur prend en charge la création de pipelines basée sur l'interface utilisateur, un administrateur peut créer la connexion et le pipeline en même temps en suivant les étapes décrites sur cette page. Cependant, si les utilisateurs qui créent des pipelines utilisent la création de pipelines basée sur l'API ou ne sont pas des utilisateurs administrateurs, un administrateur doit d'abord créer la connexion dans l'Explorateur de catalogues. Voir Connexion aux sources d'ingestion gérées.

    • Pour utiliser une connexion existante, vous devez avoir les privilèges USE CONNECTION ou ALL PRIVILEGES sur l'objet de connexion.

    • Vous devez disposer de privilèges USE CATALOG sur le catalogue cible.

    • Vous devez disposer des privilèges USE SCHEMA et CREATE TABLE sur un schéma existant ou des privilèges CREATE SCHEMA sur le catalogue cible.

  • Pour ingérer depuis Google Drive, vous devez d'abord configurer OAuth 2.0 et créer une connexion Unity Catalog. Voir Configurer Google Drive pour l'ingestion gérée.

Créez un pipeline d'ingestion​

Pour obtenir la liste des formats de fichiers pris en charge et des limitations spécifiques aux connecteurs, consultez les Limitations du connecteur Google Drive.

Utilisez les Declarative Automation Bundles pour gérer les pipelines Google Drive en tant que code. Les bundles peuvent contenir des définitions YAML de jobs et de tâches, sont gérés à l’aide de la Databricks CLI, et peuvent être partagés et exécutés dans différents Workspace cibles (comme le développement, la pré-production et la production). Pour plus d'informations, consultez What are Declarative Automation Bundles?.

  1. Créez un bundle à l'aide de la CLI Databricks :

    Bash
    databricks bundle init

  2. Ajoutez deux nouveaux fichiers de ressources au bundle :

    • Un fichier de définition de pipeline (par exemple, resources/gdrive_pipeline.yml). Voir pipeline.ingestion_definition et Exemples.
    • Un fichier de définition de Job qui contrôle la fréquence d'ingestion de données (par exemple, resources/gdrive_job.yml).

  3. Déployez le pipeline à l'aide de la CLI Databricks :

    Bash
    databricks bundle deploy

Exemples​

Utilisez ces exemples pour configurer votre pipeline.

Ingérer les fichiers en binaire (non structurés)​

Ingérer tous les fichiers d'un dossier Google Drive en tant que contenu binaire. Utilisez cette approche pour les PDF, les documents Office et les autres fichiers que vous comptez traiter en aval, par exemple pour les applications RAG.

YAML
resources:
  pipelines:
    gdrive_binary_pipeline:
      name: gdrive_binary_pipeline
      catalog: main
      schema: ingest_destination_schema
      channel: PREVIEW
      ingestion_definition:
        connection_name: <gdrive-connection>
        objects:
          - table:
              destination_catalog: main
              destination_schema: ingest_destination_schema
              destination_table: drive_folder
              connector_options:
                gdrive_options:
                  entity_type: FILE
                  url: https://drive.google.com/drive/folders/<folder_id>
                  file_ingestion_options:
                    format: BINARYFILE
                    schema_evolution_mode: NONE

Ingérer des fichiers structurés avec un filtre de chemin d'accès​

Ingérez les fichiers CSV depuis un dossier Google Drive. Utilisez file_filters pour restreindre l'ingestion aux fichiers correspondant à un modèle générique (glob).

YAML
resources:
  pipelines:
    gdrive_csv_pipeline:
      name: gdrive_csv_pipeline
      catalog: main
      schema: ingest_destination_schema
      channel: PREVIEW
      ingestion_definition:
        connection_name: <gdrive-connection>
        objects:
          - table:
              destination_catalog: main
              destination_schema: ingest_destination_schema
              destination_table: csv_files
              connector_options:
                gdrive_options:
                  entity_type: FILE
                  url: https://drive.google.com/drive/folders/<folder_id>
                  file_ingestion_options:
                    format: CSV
                    schema_evolution_mode: NONE
                    file_filters:
                      - path_filter: '*.csv'

Ingestion des métadonnées du fichier uniquement​

Ingérer les métadonnées de fichier (nom, taille, timestamps, chemin) sans download le contenu des fichiers. Utilisez cette approche lorsque vous avez besoin d'un inventaire de fichiers sans la surcharge liée à l'ingestion de leur contenu.

YAML
resources:
  pipelines:
    gdrive_metadata_pipeline:
      name: gdrive_metadata_pipeline
      catalog: main
      schema: ingest_destination_schema
      channel: PREVIEW
      ingestion_definition:
        connection_name: <gdrive-connection>
        objects:
          - table:
              destination_catalog: main
              destination_schema: ingest_destination_schema
              destination_table: file_metadata
              connector_options:
                gdrive_options:
                  entity_type: FILE_METADATA
                  url: https://drive.google.com/drive/folders/<folder_id>
                  file_ingestion_options:
                    format: BINARYFILE
                    schema_evolution_mode: NONE

Fichier de définition de job Declarative Automation Bundles​

Voici un exemple de fichier de définition de Job à utiliser avec les Declarative Automation Bundles. Le job s'exécute tous les jours, exactement un jour après la dernière exécution.

YAML
resources:
  jobs:
    gdrive_job:
      name: gdrive_job

      trigger:
        periodic:
          interval: 1
          unit: DAYS

      email_notifications:
        on_failure:
          - <email-address>

      tasks:
        - task_key: refresh_pipeline
          pipeline_task:
            pipeline_id: ${resources.pipelines.gdrive_binary_pipeline.id}

Configurer les options d'ingestion de fichiers​

Le bloc file_ingestion_options contrôle le traitement des fichiers. Toutes les options sont définies dans le bloc gdrive_options.file_ingestion_options de la définition du pipeline.

Filtres de fichiers​

Utilisez file_filters pour restreindre les fichiers ingérés à partir de l'URL source :

JSON
"file_ingestion_options": {
  "format": "CSV",
  "file_filters": [
    { "path_filter": "invoices/*.csv" },
    { "modified_after": "2026-01-01T00:00:00" }
  ]
}

Pour la référence complète des file_ingestion_options paramètres, consultez la référence du connecteur Google Drive.

évolution des schémas​

Définissez schema_evolution_mode pour contrôler la manière dont les nouvelles colonnes dans les fichiers entrants sont gérées. Les modes correspondent aux modes d'évolution des schémas d'Auto Loader. Pour plus de détails, consultez la référence du connecteur Google Drive.

Indications de schéma​

Ignorer les types de colonnes inférés à l’aide de schema_hints:

JSON
"file_ingestion_options": {
  "format": "CSV",
  "schema_hints": "order_id INT, amount DOUBLE, ts TIMESTAMP"
}

Consultez Remplacer l'inférence de schéma par des indications de schéma pour plus de détails sur l'utilisation.

Options spécifiques au format​

Transmettez les options spécifiques au format en utilisant format_options:

JSON
"file_ingestion_options": {
  "format": "CSV",
  "format_options": {
    "header": "true",
    "sep": ","
  }
}

Les clés prises en charge sont les options de format standard d'Auto Loader. Consulter les options de format.

Modèles courants​

Pour les configurations de pipeline avancées, consultez Modèles courants pour les pipelines d'ingestion gérés.

Étapes suivantes​

start, planifiez et configurez des alertes sur votre pipeline. Consultez les Tâches de maintenance courantes du pipeline.

Ressources supplémentaires​

Sur cette page