COPY INTO
を使用した一般的なデータ読み込みパターン
COPY INTO
を使用してファイル ソースから Delta Lake にデータを読み込むための一般的なパターンについて説明します。
COPY INTO
を使用するための多くのオプションがあります。
すべてのオプションの完全なリファレンスについては、 COPY INTO を参照してください。
COPY INTO
のターゲットテーブルの作成
COPY INTO
既存の Delta テーブルをターゲットにする必要があります。
CREATE TABLE IF NOT EXISTS my_table
[(col_1 col_1_type, col_2 col_2_type, ...)]
[COMMENT <table-description>]
[TBLPROPERTIES (<table-properties>)];
Databricks Runtime 11.3 LTS 以降では、スキーマの進化をサポートする形式では、これらのテーブルのスキーマの設定はオプションです。詳細については 、COPY INTO を使用したスキーマの推論と進化 を参照してください。
COPY INTO
を使用して JSON データを読み込む
次の例では、Google Cloud Storage(GCS)の 5 つのファイルから JSON データを Delta テーブル my_json_data
に読み込みます。 このテーブルは、 COPY INTO
を実行する前に作成する必要があります。 いずれかのファイルから既にデータが読み込まれている場合、そのファイルのデータは再読み込みされません。
COPY INTO my_json_data
FROM 'gs://my-bucket/jsonData'
FILEFORMAT = JSON
FILES = ('f1.json', 'f2.json', 'f3.json', 'f4.json', 'f5.json')
-- The second execution will not copy any data since the first command already loaded the data
COPY INTO my_json_data
FROM 'gs://my-bucket/jsonData'
FILEFORMAT = JSON
FILES = ('f1.json', 'f2.json', 'f3.json', 'f4.json', 'f5.json')
COPY INTO
を使用した Avro データの読み込み
次の例では、 SELECT
ステートメントの一部として追加の SQL 式を使用して GCS に Avro データをロードします。
COPY INTO my_delta_table
FROM (SELECT to_date(dt) dt, event as measurement, quantity::double
FROM 'gs://my-bucket/avroData')
FILEFORMAT = AVRO
COPY INTO
を使用してCSVファイルをロードする
次の例では、 gs://bucket/base/path/folder1
の下の GCS から Delta テーブルに CSV ファイルを読み込みます。
COPY INTO target_table
FROM (SELECT key, index, textData, 'constant_value'
FROM 'gs://bucket/base/path')
FILEFORMAT = CSV
PATTERN = 'folder1/file_[a-g].csv'
FORMAT_OPTIONS('header' = 'true')
-- The example below loads CSV files without headers in GCS using COPY INTO.
-- By casting the data and renaming the columns, you can put the data in the schema you want
COPY INTO target_table
FROM (SELECT _c0::bigint key, _c1::int index, _c2 textData
FROM 'gs://bucket/base/path')
FILEFORMAT = CSV
PATTERN = 'folder1/file_[a-g].csv'
COPY INTO
を使用したスキーマの推論と進化
このセクションでは、 COPY INTO
を使用した一般的なスキーマ推論および進化設定の例を示します。
構文
COPY INTO my_table
FROM '/path/to/files'
FILEFORMAT = <format>
FORMAT_OPTIONS ('inferSchema' = 'true', `mergeSchema` = `true`)
COPY_OPTIONS ('mergeSchema' = 'true');
次の FORMAT_OPTIONS
を使用して、入力スキーマを自動的に推論できます COPY INTO
。
inferSchema
: 解析されたレコードのデータ型を推測するか、すべての列がStringType
であると仮定するか。mergeSchema
: 複数のソース ファイル間でスキーマを推論し、各ソース ファイルのスキーマをマージするかどうか。ソース ファイルのスキーマが同じ場合、 Databricks
FORMAT_OPTIONS
(false
) のmergeSchema
に デフォルト設定を使用することをお勧めします。
ターゲットスキーマを COPY INTO
で進化させるために、次のCOPY_OPTIONS
を使用できます。
mergeSchema
: 入力スキーマに基づいてターゲット Delta テーブルのスキーマを進化させるかどうか。入力スキーマとターゲットスキーマが同じ場合は、
mergeSchema
COPY_OPTIONS
でfalse
できます。
CSV スキーマの推論と進化
次の例では、 my_pipe_data
というスキーマレス Delta テーブルを作成し、ヘッダーを使用してパイプ区切りの CSV を読み込みます。
mergeSchema
は、入力ファイルにヘッダーまたは区切り文字の違いがある可能性があるため、FORMAT_OPTIONS
でtrue
されます。
CREATE TABLE IF NOT EXISTS my_pipe_data;
COPY INTO my_pipe_data
FROM 'gs://my-bucket/pipeData'
FILEFORMAT = CSV
FORMAT_OPTIONS ('mergeSchema' = 'true',
'delimiter' = '|',
'header' = 'true')
COPY_OPTIONS ('mergeSchema' = 'true');
データのロード中に破損したファイルを無視する
読み込み中のデータが破損の問題で読み取れない場合は、FORMAT_OPTIONS
で ignoreCorruptFiles
を true
に設定することで、それらのファイルをスキップできます。
COPY INTO
コマンドの結果は、num_skipped_corrupt_files
列の破損が原因でスキップされたファイルの数を返します。このメトリクスは、 Delta テーブルでDESCRIBE HISTORY
を実行した後、numSkippedCorruptFiles
の下のoperationMetrics
列にも表示されます。
破損したファイルは COPY INTO
によって追跡されないため、破損が修正された場合は、後続の実行で再読み込みできます。 VALIDATE
モードでCOPY INTO
を実行すると、どのファイルが破損しているかを確認できます。
COPY INTO my_table
FROM '/path/to/files'
FILEFORMAT = <format>
[VALIDATE ALL]
FORMAT_OPTIONS ('ignoreCorruptFiles' = 'true')
注:
ignoreCorruptFiles
は、Databricks Runtime 11.3 LTS 以降で使用できます。