O que é o Auto Loader?

O Auto Loader processa de forma progressiva e eficiente novos arquivos de dados à medida que chegam ao armazenamento em nuvem sem qualquer configuração adicional.

Como funciona o Auto Loader?

Auto Loader processa de forma incremental e eficiente novos arquivos de dados à medida que eles chegam ao armazenamento cloud. Ele fornece uma fonte de transmissão estruturada chamada cloudFiles. Dado um caminho de diretório de entrada no armazenamento de arquivos cloud, a fonte cloudFiles processa automaticamente os novos arquivos à medida que eles chegam, com a opção de também processar os arquivos existentes nesse diretório. O Auto Loader tem suporte para Python e SQL no Delta Live Tables.

Você pode usar o Auto Loader para processar bilhões de arquivos para migrar ou preencher uma tabela. O Auto Loader é dimensionado para ser compatível com a ingestão quase em tempo real de milhões de arquivos por hora.

Fontes suportadas pelo Auto Loader

O Auto Loader pode carregar arquivos de dados das seguintes fontes:

  • Amazon S3 (s3://)

  • Azure Data Lake Storage Gen2 (ADLS Gen2, abfss://)

  • Google Cloud Storage (GCS, gs://)

  • Azure Blob Armazenamento (wasbs://)

    Observação

    O antigo driver do Windows Azure Storage Blob (WASB) está obsoleto. O ABFS tem inúmeros benefícios em relação ao WASB. Consulte Documentação do Azure no ABFS. Para ver a documentação sobre como trabalhar com o driver WASB legado, consulte Conectar ao Azure Blob Storage com WASB (legado).

  • ADLS Gen1 (adl://)

    Observação

    O Azure anunciou a retirada pendente do Azure Data Lake Storage Gen1. A Databricks recomenda que sejam migrados todos os dados do Azure Data Lake Storage Gen1 para o Azure Data Lake Storage Gen2. Se você ainda não migrou, consulte Acessar o Azure Data Lake Storage Gen1 no Databricks.

  • Sistema de arquivos Databricks (DBFS, dbfs:/).

O Auto Loader pode ingerir os formatos de arquivo JSON, CSV, XML, PARQUET, AVRO, ORC, TEXT e BINARYFILE.

Como o Auto Loader o progresso da ingestão?

Conforme os arquivos são descobertos, seus metadados são mantidos em um armazenamento de chave-valor escalável (RocksDB) no local do ponto de verificação do pipeline do Auto Loader. Esse armazenamento de chave-valor garante que os dados sejam processados todos de uma vez.

Em caso de falhas, o Auto Loader pode retomar de onde parou por meio de informações armazenadas no local do ponto de verificação e continuar a fornecer garantias únicas ao gravar dados no Delta Lake. Você não precisa manter ou gerenciar nenhum estado sozinho para obter tolerância a falhas ou semântica de única.

Ingestão incremental usando Auto Loader com Delta Live Tables

A Databricks recomenda o Auto Loader no Delta Live Tables para a ingestão de dados incrementais. Delta Live Tables estende a funcionalidade da Apache Spark transmissão estruturada e permite que o senhor escreva apenas algumas linhas declarativas Python ou SQL para implantar um pipeline de dados com qualidade de produção:

  • Dimensionamento automático da infraestrutura de computação para redução de custos

  • Verificações de qualidade de dados com expectativas

  • Tratamento automático da evolução do esquema

  • monitoramento via métricas no evento log

Você não precisa fornecer um esquema ou localização de checkpoint, pois o Delta Live Tables gerencia automaticamente essas configurações para seus pipelines.Consulte Carregar dados com Delta Live Tables.

Databricks também recomenda Auto Loader sempre que o senhor usar Apache Spark transmissão estruturada para ingerir dados do armazenamento de objetos cloud. As APIs estão disponíveis em Python e Scala.

Exemplos: Padrões comuns do Auto Loader

Para obter exemplos de padrões comuns do Auto Loader, consulte Padrões comuns de carregamento de dados.

Configurar opções do Auto Loader

Você pode ajustar o Auto Loader com base no volume de dados, variedade e velocidade.

Para obter uma lista completa das opções do Auto Loader, consulte:

Caso você encontre um desempenho inesperado, consulte as perguntas frequentes.

Vantagens do Auto Loader em relação ao uso de Transmissão Estruturada diretamente nos arquivos

No Apache Spark, você pode ler arquivos de forma incremental usando spark.readStream.format(fileFormat).load(directory). O Auto Loader oferece os seguintes benefícios em relação à origem do arquivo:

  • Escalabilidade: o Auto Loader pode descobrir bilhões de arquivos com eficiência. Os preenchimentos podem ser executados de forma assíncrona para evitar o desperdício de recursos de computação.

  • Desempenho: O custo de descobrir arquivos com o Auto Loader aumenta com a quantidade de arquivos que estão sendo ingeridos, em vez do número de diretórios onde os arquivos podem ser armazenados. Consulte O que é o modo de listagem de diretório do Auto Loader?.

  • Suporte à inferência e evolução de esquemas: O Auto Loader pode detectar desvios de esquema, notificá-lo quando ocorrerem alterações de esquema e resgatar dados que, de outra forma, teriam sido ignorados ou perdidos. Consulte Como funciona a inferência de esquema do Auto Loader.

  • Custo: o Auto Loader usa APIs de nuvem nativas para obter listas de arquivos que existem no armazenamento. Além disso, o modo de notificação de arquivos do Auto Loader pode ajudar a reduzir ainda mais seus custos de nuvem, evitando completamente a listagem de diretórios. O Auto Loader pode configurar automaticamente serviços de notificação de arquivos no armazenamento para tornar a descoberta de arquivos muito mais barata.