Aller au contenu principal
Dernière mise à jour le

Ingérer des données depuis SharePoint

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.

:::note Conformité

Le connecteur SharePoint géré prend en charge l'utilisation dans les Workspace pour lesquels les paramètres améliorés de sécurité et de conformité sont activés.

:::

Cette page explique comment créer un pipeline d'ingestion Microsoft SharePoint 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 l'ingestion depuis SharePoint, vous devez d'abord configurer une méthode d'authentification prise en charge. Consultez Configurer OAuth U2M : géré par Databricks (recommandé).

Créez un pipeline d'ingestion​

Pour une liste des formats de fichier pris en charge et des limitations spécifiques aux connecteurs, consultez Limitations du connecteur Microsoft SharePoint.

  1. Dans la barre latérale du workspace Databricks, cliquez sur Ingestion de données .
  2. Sur la page Ajouter des données , dans la section Connecteurs Databricks , cliquez sur Microsoft SharePoint .
  3. À l’étape **Connexion** de l’assistant d’ingestion, sélectionnez la connexion qui stocke vos identifiants d’accès SharePoint. Si vous disposez du privilège CREATE CONNECTION sur le metastore, vous pouvez cliquer sur Icône Plus. Créer une connexion pour créer une nouvelle connexion avec les détails d'authentification dans Présentation de la configuration de l'ingestion SharePoint.
  4. Cliquez sur Suivant .
  5. Dans l’étape Configuration de l’ingestion , saisissez un nom pour le pipeline.
  6. Veuillez sélectionner un catalogue et un schéma pour le pipeline. Si vous disposez des privilèges USE CATALOG et CREATE SCHEMA sur le catalogue, vous pouvez cliquer sur Icône Plus. Créer un schéma dans le menu déroulant pour créer un nouveau schéma.
  7. Cliquez sur Créer un pipeline d'ingestion et start le compute .
  8. À l'étape Source , configurez l'URL SharePoint et les options d'ingestion de fichiers.
  9. Cliquez sur Enregistrer et continuer .
  10. À l'étape Destination , sélectionnez un catalogue et un schéma pour charger des données. Si vous disposez des privilèges USE CATALOG et CREATE SCHEMA sur le catalogue, vous pouvez cliquer sur Icône Plus. Créer un schéma dans le menu déroulant pour créer un nouveau schéma.
  11. Cliquez sur Enregistrer et continuer .
  12. (Facultatif) À l'étape **Planifications et notifications**, cliquez Icône Plus. sur ** Créer une planification**. Définissez la fréquence pour refresh les tables de destination.
  13. (Facultatif) Cliquez sur Icône Plus. Ajouter une notification pour définir les notifications par e-mail en cas de succès ou d'échec de l'opération du pipeline, puis cliquez sur Enregistrer et exécuter le pipeline .

Exemples​

Utilisez ces exemples pour configurer votre pipeline.

Ingérer les fichiers en binaire (non structurés)​

Ingérer tous les fichiers d'un site SharePoint 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:
    sharepoint_binary_pipeline:
      name: sharepoint_binary_pipeline
      catalog: main
      schema: ingest_destination_schema
      channel: PREVIEW
      ingestion_definition:
        connection_name: <sharepoint-connection>
        objects:
          - table:
              destination_catalog: main
              destination_schema: ingest_destination_schema
              destination_table: site_files
              connector_options:
                sharepoint_options:
                  entity_type: FILE
                  url: https://<tenant>.sharepoint.com/sites/<site>
                  file_ingestion_options:
                    format: BINARYFILE
                    schema_evolution_mode: NONE

Ingérer des fichiers structurés​

Ingérer des fichiers structurés (par exemple, des fichiers JSON) à partir d’un dossier SharePoint. Chaque ligne des fichiers source devient une ligne de la table de destination.

YAML
resources:
  pipelines:
    sharepoint_json_pipeline:
      name: sharepoint_json_pipeline
      catalog: main
      schema: ingest_destination_schema
      channel: PREVIEW
      ingestion_definition:
        connection_name: <sharepoint-connection>
        objects:
          - table:
              destination_catalog: main
              destination_schema: ingest_destination_schema
              destination_table: json_files
              connector_options:
                sharepoint_options:
                  entity_type: FILE
                  url: https://<tenant>.sharepoint.com/sites/<site>/<json_folder>
                  file_ingestion_options:
                    format: JSON
                    schema_evolution_mode: NONE

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 charge d'ingérer leur contenu.

YAML
resources:
  pipelines:
    sharepoint_metadata_pipeline:
      name: sharepoint_metadata_pipeline
      catalog: main
      schema: ingest_destination_schema
      channel: PREVIEW
      ingestion_definition:
        connection_name: <sharepoint-connection>
        objects:
          - table:
              destination_catalog: main
              destination_schema: ingest_destination_schema
              destination_table: file_metadata
              connector_options:
                sharepoint_options:
                  entity_type: FILE_METADATA
                  url: https://<tenant>.sharepoint.com/sites/<site>/<library>
                  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:
    sharepoint_job:
      name: sharepoint_job

      trigger:
        periodic:
          interval: 1
          unit: DAYS

      email_notifications:
        on_failure:
          - <email-address>

      tasks:
        - task_key: refresh_pipeline
          pipeline_task:
            pipeline_id: ${resources.pipelines.sharepoint_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 sharepoint_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, veuillez consulter la référence du connecteur Microsoft SharePoint.

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 Microsoft SharePoint.

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.
  • Vous pouvez analyser les documents bruts en texte, segmenter les données analysées, créer des embeddings à partir des segments, et plus encore. Vous pouvez ensuite utiliser readStream sur la table de sortie directement dans votre pipeline en aval. Consultez Cas d’utilisation RAG en aval.

Ressources supplémentaires​

Sur cette page