使用 Azure Data Factory 或 Synapse 管道在Azure Synapse Analytics中复制和转换数据

适用于： Azure Data Factory Azure Synapse Analytics

本文概述了如何使用 Azure Data Factory 或 Synapse 管道中的复制活动，从和向 Azure Synapse Analytics 复制数据，并使用数据流转换 Azure Data Lake Storage Gen2 中的数据。 若要了解Azure Data Factory，请阅读 简介文章。

支持的功能

以下功能支持此Azure Synapse Analytics连接器：

（1） Azure集成运行时 （2） 自承载集成运行时

对于Copy activity，此Azure Synapse Analytics连接器支持以下功能：

• 使用 SQL 身份验证和 Microsoft Entra 应用程序令牌身份验证和 Azure 资源的服务主体或托管标识复制数据。
• 作为源，使用 SQL 查询或存储过程检索数据。 还可以选择从 Azure Synapse Analytics 源并行复制，有关详细信息，请参阅 Azure Synapse Analytics 的并行复制 部分。
• 作为接收器，使用 COPY 语句 或 PolyBase 或者批量插入加载数据。 我们建议使用 COPY 语句或 PolyBase 以获得更好的复制性能。 连接器还支持使用 DISTRIBUTION = ROUND_ROBIN 基于源架构自动创建目标表（如果不存在）。

开始

若要使用管道执行复制活动，可以使用以下工具或 SDK 之一：

• 复制数据工具
• Azure 门户
• .NET SDK
• Python SDK
• Azure PowerShell
• REST API
• Azure Resource Manager 模板

使用 UI 创建Azure Synapse Analytics链接服务

使用以下步骤在 Azure 门户 UI 中创建Azure Synapse Analytics链接服务。

1. 浏览到Azure Data Factory或 Synapse 工作区中的“管理”选项卡并选择“链接服务”，然后单击“新建”：

   • Azure Data Factory
   • Azure Synapse

   

2. 搜索 Synapse 并选择Azure Synapse Analytics连接器。

   

3. 配置服务详细信息，测试连接，然后创建新的链接服务。

   

连接器配置详细信息

下面将提供有关定义特定于 Azure Synapse Analytics 连接器的 Azure 数据工厂和 Synapse 管道实体属性的详细信息。

链接服务属性

Azure Synapse Analytics连接器 Recommended 版本支持 TLS 1.3。 请参阅此部分，了解如何将 Azure Synapse Analytics 连接器版本从旧版升级到新版。 有关属性详细信息，请参阅相应部分。

• 推荐版本
• 旧版本

建议的版本

应用 Recommended 版本时，Azure Synapse Analytics 链接的服务支持这些通用属性。

有关其他连接属性，请参阅下表：

SQL 身份验证

若要使用 SQL 身份验证，则除了上一部分所述的通用属性外，还需要指定以下属性：

示例：使用 SQL 身份验证

{
    "name": "AzureSqlDWLinkedService",
    "properties": {
        "type": "AzureSqlDW",
        "typeProperties": {
            "server": "<name or network address of the SQL server instance>",
            "database": "<database name>",
            "encrypt": "<encrypt>",
            "trustServerCertificate": false,
            "authenticationType": "SQL",
            "userName": "<user name>",
            "password": {
                "type": "SecureString",
                "value": "<password>"
            }
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

示例：Azure Key Vault 中的密码

{
    "name": "AzureSqlDWLinkedService",
    "properties": {
        "type": "AzureSqlDW",
        "typeProperties": {
            "server": "<name or network address of the SQL server instance>",
            "database": "<database name>",
            "encrypt": "<encrypt>",
            "trustServerCertificate": false,
            "authenticationType": "SQL",
            "userName": "<user name>",
            "password": {
                "type": "AzureKeyVaultSecret",
                "store": {
                    "referenceName": "<Azure Key Vault linked service name>",
                    "type": "LinkedServiceReference"
                },
                "secretName": "<secretName>"
            }
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

服务主体身份验证

要使用服务主体身份验证，除了上一部分中描述的通用属性外，还需要指定以下属性：

还需要执行以下步骤：

1. 从 Azure 门户创建Microsoft Entra应用程序。 记下应用程序名称，以及以下定义链接服务的值：

   • 应用程序 ID
   • 应用程序密钥
   • 租户 ID

2. 在Azure门户中为服务器预配Microsoft Entra管理员（如果尚未这样做）。 Microsoft Entra管理员可以是Microsoft Entra用户或Microsoft Entra组。 如果为具有托管标识的组授予管理员角色，请跳过步骤 3 和 4。 管理员将拥有对数据库的完全访问权限。

3. 为服务主体创建包含的数据库用户。 使用 SSMS 等工具连接到要从中复制数据或要将数据复制到其中的数据仓库，其 Microsoft Entra 标识至少具有 ALTER ANY USER 权限。 运行以下 T-SQL：

   CREATE USER [your_application_name] FROM EXTERNAL PROVIDER;
   

4. 像通常对 SQL 用户或其他用户所做的那样向服务主体授予所需的权限。 运行以下代码，或参阅此处的更多选项。 如果要使用 PolyBase 加载数据，请了解所需的数据库权限。

   EXEC sp_addrolemember db_owner, [your application name];
   

5. 在 Azure Data Factory 或 Synapse 工作区中配置Azure Synapse Analytics链接服务。

使用服务主体身份验证的链接服务示例

{
    "name": "AzureSqlDWLinkedService",
    "properties": {
        "type": "AzureSqlDW",
        "typeProperties": {
            "connectionString": "Server=tcp:<servername>.database.windows.net,1433;Database=<databasename>;Connection Timeout=30",
            "servicePrincipalId": "<service principal id>",
            "servicePrincipalCredential": {
                "type": "SecureString",
                "value": "<application key>"
            },
            "tenant": "<tenant info, e.g. microsoft.onmicrosoft.com>"
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

使用系统分配的托管标识进行 Azure 资源身份验证

数据工厂或 Synapse 工作区可以与用于表示 Azure 资源的 系统分配的托管标识相关联。 可以使用此托管标识进行Azure Synapse Analytics身份验证。 指定资源可使用此标识从/向数据仓库访问和复制数据。

若要使用系统分配的托管标识身份验证，请指定上一部分所述的通用属性，然后按照以下步骤操作。

1. 在Azure门户中为服务器预配Microsoft Entra管理员（如果尚未这样做）。 Microsoft Entra管理员可以是Microsoft Entra用户或Microsoft Entra组。 如果为具有系统分配的托管标识的组授予管理员角色，请跳过步骤 3 和 4。 管理员将拥有对数据库的完全访问权限。

2. 为系统分配的托管标识创建包含的数据库用户。 使用 SSMS 等工具连接到要从中复制数据或要将数据复制到其中的数据仓库，其 Microsoft Entra 标识至少具有 ALTER ANY USER 权限。 运行以下 T-SQL。

   CREATE USER [your_resource_name] FROM EXTERNAL PROVIDER;
   

3. 为系统分配的托管标识授予所需的权限，就像通常为 SQL 用户和其他用户所做的那样。 运行以下代码，或参阅此处的更多选项。 如果要使用 PolyBase 加载数据，请了解所需的数据库权限。

   EXEC sp_addrolemember db_owner, [your_resource_name];
   

4. 配置Azure Synapse Analytics链接服务。

示例：

{
    "name": "AzureSqlDWLinkedService",
    "properties": {
        "type": "AzureSqlDW",
        "typeProperties": {
            "server": "<name or network address of the SQL server instance>",
            "database": "<database name>",
            "encrypt": "<encrypt>",
            "trustServerCertificate": false,
            "authenticationType": "SystemAssignedManagedIdentity"
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

用户分配的托管标识身份验证

可将数据工厂或 Synapse 工作区与表示资源的用户分配的托管标识关联。 可以使用此托管标识进行Azure Synapse Analytics身份验证。 指定资源可使用此标识从/向数据仓库访问和复制数据。

要使用用户分配的托管身份身份验证，除了上一节中描述的通用属性外，还要指定以下属性：

还需要执行以下步骤：

1. 在Azure门户中为服务器预配Microsoft Entra管理员（如果尚未这样做）。 Microsoft Entra管理员可以是Microsoft Entra用户或Microsoft Entra组。 如果为具有用户分配的托管标识的组授予管理员角色，请跳过步骤 3。 管理员将拥有对数据库的完全访问权限。

2. 为用户分配的托管标识创建包含的数据库用户。 使用 SSMS 等工具连接到要从中复制数据或要将数据复制到其中的数据仓库，其 Microsoft Entra 标识至少具有 ALTER ANY USER 权限。 运行以下 T-SQL。

   CREATE USER [your_resource_name] FROM EXTERNAL PROVIDER;
   

3. 创建一个或多个用户分配的托管标识，并为用户分配的托管标识授予所需的权限，就像通常为 SQL 用户和其他用户所做的那样。 运行以下代码，或参阅此处的更多选项。 如果要使用 PolyBase 加载数据，请了解所需的数据库权限。

   EXEC sp_addrolemember db_owner, [your_resource_name];
   

4. 为数据工厂分配一个或多个用户分配的托管标识，并为每个用户分配的托管标识创建凭据。

5. 配置Azure Synapse Analytics链接服务。

示例

{
    "name": "AzureSqlDWLinkedService",
    "properties": {
        "type": "AzureSqlDW",
        "typeProperties": {
            "server": "<name or network address of the SQL server instance>",
            "database": "<database name>",
            "encrypt": "<encrypt>",
            "trustServerCertificate": false,
            "authenticationType": "UserAssignedManagedIdentity",
            "credential": {
                "referenceName": "credential1",
                "type": "CredentialReference"
            }
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

旧版本

应用 Legacy 版本时，Azure Synapse Analytics链接服务支持这些泛型属性：

有关各种身份验证类型，请参阅关于特定属性和先决条件的以下各部分：

• 旧版本的 SQL 身份验证
• 旧版本的服务主体身份验证
• 旧版本的系统分配的托管标识身份验证
• 旧版本的用户分配的托管标识身份验证

旧版本的 SQL 身份验证

要使用 SQL 身份验证，请指定上一部分所述的通用属性。

旧版本的服务主体身份验证

要使用服务主体身份验证，除了上一部分中描述的通用属性外，还需要指定以下属性：

还需要按照服务主体身份验证中的步骤授予相应的权限。

旧版本的系统分配的托管标识身份验证

要使用系统分配的托管标识身份验证，请按照系统分配的托管标识身份验证中适用于推荐版本的相同步骤进行操作。

旧版本的用户分配的托管标识身份验证

要使用用户分配的托管标识身份验证，请按照用户分配的托管标识身份验证中适用于推荐版本的相同步骤进行操作。

数据集属性

有关可用于定义数据集的各部分和属性的完整列表，请参阅数据集一文。

Azure Synapse Analytics数据集支持以下属性：

数据集属性示例

{
    "name": "AzureSQLDWDataset",
    "properties":
    {
        "type": "AzureSqlDWTable",
        "linkedServiceName": {
            "referenceName": "<Azure Synapse Analytics linked service name>",
            "type": "LinkedServiceReference"
        },
        "schema": [ < physical schema, optional, retrievable during authoring > ],
        "typeProperties": {
            "schema": "<schema_name>",
            "table": "<table_name>"
        }
    }
}

复制活动属性

有关可用于定义活动的各部分和属性的完整列表，请参阅管道一文。 本部分提供Azure Synapse Analytics源和接收器支持的属性列表。

Azure Synapse Analytics 作为源

若要从 Azure Synapse Analytics 复制数据，请将复制活动源中的 type 属性设置为 SqlDWSource。 复制活动 source 节支持以下属性：

请注意以下几点：

• 在源中使用存储过程检索数据时，请注意，如果存储过程设计为当传入不同的参数值时返回不同的架构，则从 UI 导入架构或使用自动表创建将数据复制到 SQL 数据库时，可能会遇到故障或出现意外的结果。

示例：使用 SQL 查询

"activities":[
    {
        "name": "CopyFromAzureSQLDW",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "<Azure Synapse Analytics input dataset name>",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "<output dataset name>",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "SqlDWSource",
                "sqlReaderQuery": "SELECT * FROM MyTable"
            },
            "sink": {
                "type": "<sink type>"
            }
        }
    }
]

示例：使用存储过程

"activities":[
    {
        "name": "CopyFromAzureSQLDW",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "<Azure Synapse Analytics input dataset name>",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "<output dataset name>",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "SqlDWSource",
                "sqlReaderStoredProcedureName": "CopyTestSrcStoredProcedureWithParameters",
                "storedProcedureParameters": {
                    "stringData": { "value": "str3" },
                    "identifier": { "value": "$$Text.Format('{0:yyyy}', <datetime parameter>)", "type": "Int"}
                }
            },
            "sink": {
                "type": "<sink type>"
            }
        }
    }
]

示例存储过程：

CREATE PROCEDURE CopyTestSrcStoredProcedureWithParameters
(
    @stringData varchar(20),
    @identifier int
)
AS
SET NOCOUNT ON;
BEGIN
    select *
    from dbo.UnitTestSrcTable
    where dbo.UnitTestSrcTable.stringData != stringData
    and dbo.UnitTestSrcTable.identifier != identifier
END
GO

Azure Synapse Analytics 用作接收器

Azure Data Factory和 Synapse 管道支持将数据加载到Azure Synapse Analytics的三种方法。

• 使用 COPY 语句
• 使用 PolyBase
• 使用批量插入

加载数据最快且最具扩展性的方法是通过 COPY 语句 或 PolyBase。

若要将数据复制到 Azure Synapse Analytics，请将复制活动中的接收器类型设置为 SqlDWSink。 复制活动 sink 节支持以下属性：

示例 1：Azure Synapse Analytics 接收器

"sink": {
    "type": "SqlDWSink",
    "allowPolyBase": true,
    "polyBaseSettings":
    {
        "rejectType": "percentage",
        "rejectValue": 10.0,
        "rejectSampleValue": 100,
        "useTypeDefault": true
    }
}

示例 2：更新插入数据

"sink": {
    "type": "SqlDWSink",
    "writeBehavior": "Upsert",
    "upsertSettings": {
        "keys": [
             "<column name>"
        ],
        "interimSchemaName": "<interim schema name>"
    },
}

从Azure Synapse Analytics并行复制

复制活动中的Azure Synapse Analytics连接器提供内置的数据分区来并行复制数据。 可以在复制活动的“源”表中找到数据分区选项。

启用分区复制时，复制活动针对Azure Synapse Analytics源运行并行查询，按分区加载数据。 可通过复制活动中的 parallelCopies设置控制并行度。 例如，如果将 parallelCopies 设置为 4，则服务会根据指定的分区选项和设置同时生成并运行四个查询，并且每个查询从Azure Synapse Analytics检索一部分数据。

建议启用并行复制并使用数据分区，特别是在从 Azure Synapse Analytics 加载大量数据时。 下面是适用于不同场景的建议配置。 将数据复制到基于文件的数据存储中时，建议将数据作为多个文件写入文件夹（仅指定文件夹名称），在这种情况下，性能优于写入单个文件。

使用分区选项加载数据的最佳做法：

1. 选择独特的列作为分区列（如主键或唯一键），以避免数据倾斜。
2. 如果表具有内置分区，请使用名为“表的物理分区”分区选项来提升性能。
3. 如果使用Azure Integration Runtime复制数据，则可以设置更大的“Data Integration Units （DIU）”（>4）以利用更多的计算资源。 检查此处适用的方案。
4. “复制并行度”可控制分区数量，将此数字设置得太大有时会损害性能，建议将此数字设置按以下公式计算的值：（DIU 或自承载 IR 节点数）*（2 到 4）。
5. 请注意，Azure Synapse Analytics 一次最多可以执行 32 个查询，设置“复制并行度”过大可能会导致 Synapse 节流问题。

示例：从包含物理分区的大型表进行完全加载

"source": {
    "type": "SqlDWSource",
    "partitionOption": "PhysicalPartitionsOfTable"
}

示例：使用动态范围分区进行查询

"source": {
    "type": "SqlDWSource",
    "query": "SELECT * FROM <TableName> WHERE ?DfDynamicRangePartitionCondition AND <your_additional_where_clause>",
    "partitionOption": "DynamicRange",
    "partitionSettings": {
        "partitionColumnName": "<partition_column_name>",
        "partitionUpperBound": "<upper_value_of_partition_column (optional) to decide the partition stride, not as data filter>",
        "partitionLowerBound": "<lower_value_of_partition_column (optional) to decide the partition stride, not as data filter>"
    }
}

用于检查物理分区的示例查询

SELECT DISTINCT s.name AS SchemaName, t.name AS TableName, c.name AS ColumnName, CASE WHEN c.name IS NULL THEN 'no' ELSE 'yes' END AS HasPartition
FROM sys.tables AS t
LEFT JOIN sys.objects AS o ON t.object_id = o.object_id
LEFT JOIN sys.schemas AS s ON o.schema_id = s.schema_id
LEFT JOIN sys.indexes AS i ON t.object_id = i.object_id
LEFT JOIN sys.index_columns AS ic ON ic.partition_ordinal > 0 AND ic.index_id = i.index_id AND ic.object_id = t.object_id
LEFT JOIN sys.columns AS c ON c.object_id = ic.object_id AND c.column_id = ic.column_id
LEFT JOIN sys.types AS y ON c.system_type_id = y.system_type_id
WHERE s.name='[your schema]' AND t.name = '[your table name]'

如果表具有物理分区，则会看到“HasPartition”为“是”。

使用 COPY 语句将数据加载到 Azure Synapse Analytics

使用 COPY 语句是将数据加载到吞吐量较高的Azure Synapse Analytics的简单灵活方法。 若要了解更多详细信息，请查看使用 COPY 语句大容量加载数据

• 如果源数据位于 Azure Blob 或 Azure Data Lake Storage Gen2 中，并且 format 是 COPY 语句兼容的，则可以使用复制活动直接调用 COPY 语句来让Azure Synapse Analytics从源中提取数据。 有关详细信息，请参阅使用 COPY 语句直接复制。
• 如果 COPY 语句最初不支持源数据存储和格式，请改用使用 COPY 语句暂存复制功能。 暂存复制功能也能提供更高的吞吐量。 它自动将数据转换为 COPY 语句兼容格式，将数据存储在 Azure Blob 存储中，然后调用 COPY 语句将数据加载到Azure Synapse Analytics。

使用 COPY 语句直接复制

Azure Synapse Analytics COPY 语句直接支持Azure Blob 和Azure Data Lake Storage Gen2。 如果源数据满足本节中所述的条件，请使用 COPY 语句直接从源数据存储复制到Azure Synapse Analytics。 否则，请使用使用 COPY 语句的暂存复制。 该服务会检查设置，如果不满足条件，复制活动运行将会失败。

1. 源链接服务和格式具有以下类型和身份验证方法：

   支持的源数据存储类型	支持的格式	支持的源身份验证类型
   Azure Blob	带分隔符的文本	帐户密钥身份验证、共享访问签名身份验证、服务主体身份验证（使用 ServicePrincipalKey）、系统分配的托管标识身份验证
   	Parquet	帐户密钥身份验证、共享访问签名身份验证
   	ORC	帐户密钥身份验证、共享访问签名身份验证
   Azure Data Lake Storage Gen2	带分隔符的文本 Parquet ORC	帐户密钥身份验证、服务主体身份验证（使用 ServicePrincipalKey）、共享访问签名身份验证、系统分配的托管标识身份验证

   重要说明

   • 对存储链接服务使用托管标识身份验证时，请分别了解 Azure Blob 和 Azure Data Lake Storage Gen2 所需的配置。
   • 如果您的 Azure 存储配置了 VNet 服务终结点，则必须在存储帐户上启用托管身份验证，并且勾选“允许信任的 Microsoft 服务通过”选项。请参阅 使用 VNet 服务终结点对 Azure 存储的影响。

2. 格式设置如下：

   1. 对于“Parquet”：compression 可以为“无压缩”、“Snappy”或 GZip。
   2. 对于 ORC： 可以为“无压缩”、compression 或“Snappy”zlib。
   3. 对于带分隔符的文本：
      1. rowDelimiter 显式设置为单字符或“\r\n”，不支持默认值。
      2. nullValue 保留为默认值或设置为空字符串 ("")。
      3. encodingName 保留为默认值或设置为 utf-8 或 utf-16。
      4. escapeChar 必须与 quoteChar 相同，并且不为空。
      5. skipLineCount 保留为默认值或设置为 0。
      6. compression 可以为“无压缩”或 GZip。

3. 如果源是文件夹，则必须将复制活动中的 recursive 设置为 true，并且 wildcardFilename 需要为 * 或 *.*。

4. wildcardFolderPath、wildcardFilename（* 或 *.* 除外）、modifiedDateTimeStart、modifiedDateTimeEnd、prefix、enablePartitionDiscovery 和 additionalColumns 均未指定。

复制活动中的 allowCopyCommand 下支持以下 COPY 语句设置：

"activities":[
    {
        "name": "CopyFromAzureBlobToSQLDataWarehouseViaCOPY",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "ParquetDataset",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "AzureSQLDWDataset",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "ParquetSource",
                "storeSettings":{
                    "type": "AzureBlobStorageReadSettings",
                    "recursive": true
                }
            },
            "sink": {
                "type": "SqlDWSink",
                "allowCopyCommand": true,
                "copyCommandSettings": {
                    "defaultValues": [
                        {
                            "columnName": "col_string",
                            "defaultValue": "DefaultStringValue"
                        }
                    ],
                    "additionalOptions": {
                        "MAXERRORS": "10000",
                        "DATEFORMAT": "'ymd'"
                    }
                }
            },
            "enableSkipIncompatibleRow": true
        }
    }
]

使用 COPY 语句的暂存复制

如果源数据不与 COPY 语句本机兼容，请通过临时暂存 Azure Blob 或 Azure Data Lake Storage Gen2（不能为 Azure 高级存储）来启用数据复制。 在这种情况下，该服务会自动转换数据，以满足 COPY 语句的数据格式要求。 然后，它会调用 COPY 语句将数据加载到Azure Synapse Analytics。 最后，它会从存储中清理临时数据。 若要详细了解如何通过暂存方式复制数据，请参阅暂存复制。

若要使用此功能，请创建一个 Azure Blob Storage 链接服务或 Azure Data Lake Storage Gen2 链接服务，并将 account 密钥或系统托管标识身份验证引用Azure存储帐户作为临时存储。

"activities":[
    {
        "name": "CopyFromSQLServerToSQLDataWarehouseViaCOPYstatement",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "SQLServerDataset",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "AzureSQLDWDataset",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "SqlSource",
            },
            "sink": {
                "type": "SqlDWSink",
                "allowCopyCommand": true
            },
            "stagingSettings": {
                "linkedServiceName": {
                    "referenceName": "MyStagingStorage",
                    "type": "LinkedServiceReference"
                }
            }
        }
    }
]

使用 PolyBase 将数据加载到 Azure Synapse Analytics

使用 PolyBase是将数据加载到吞吐量较高的Azure Synapse Analytics的有效方法。 使用 PolyBase 而非默认 BULKINSERT 机制可以实现吞吐量的巨大增加。

• 如果源数据位于 Azure Blob 或 Azure Data Lake Storage Gen2，并且 format 与 PolyBase 兼容，则可以使用复制活动直接调用 PolyBase 来让Azure Synapse Analytics从源中提取数据。 有关详细信息，请参阅使用 PolyBase 直接复制。
• 如果 PolyBase 最初不支持源数据存储和格式，请改用使用 PolyBase 的暂存复制功能。 暂存复制功能也能提供更高的吞吐量。 它会自动将数据转换为 PolyBase 兼容的格式，将数据存储在 Azure Blob 存储中，然后调用 PolyBase 将数据加载到Azure Synapse Analytics。

复制活动中的 polyBaseSettings 下支持以下 PolyBase 设置：

使用 PolyBase 直接复制

Azure Synapse Analytics PolyBase 直接支持Azure Blob 和Azure Data Lake Storage Gen2。 如果源数据符合本节中所述的条件，请使用 PolyBase 直接从源数据存储复制到Azure Synapse Analytics。 否则，请改用使用 PolyBase 的暂存复制。

如果不满足要求，该服务会检查设置，并自动回退到 BULKINSERT 机制以进行数据移动。

1. 源链接服务具有以下类型和身份验证方法：

   支持的源数据存储类型	支持的源身份验证类型
   Azure Blob	帐户密钥身份验证、系统分配的托管标识身份验证
   Azure Data Lake Storage Gen2	帐户密钥身份验证、系统分配的托管标识身份验证

   重要说明

   • 对存储链接服务使用托管标识身份验证时，请分别了解 Azure Blob 和 Azure Data Lake Storage Gen2 所需的配置。
   • 如果您的 Azure 存储配置了 VNet 服务终结点，则必须在存储帐户上启用托管身份验证，并且勾选“允许信任的 Microsoft 服务通过”选项。请参阅 使用 VNet 服务终结点对 Azure 存储的影响。

2. 源数据格式为 Parquet、ORC 或带分隔符的文本，具有以下配置：

   1. 文件夹路径不包含通配符筛选器。
   2. 文件名为空，或指向单个文件。 如果在复制活动中指定通配符文件名，则它只能为 * 或 *.*。
   3. rowDelimiter 为默认格式、\n、\r\n 或 \r。
   4. nullValue 保留为默认值或设置为空字符串 ("")，并且 保留为默认值或设置为 truetreatEmptyAsNull。
   5. encodingName 保留为默认值或设置为 utf-8。
   6. quoteChar、escapeChar 和 skipLineCount 未指定。 PolyBase 支持跳过标头行，可将其配置为 firstRowAsHeader。
   7. compression 可以为“无压缩”、 或“Deflate”GZip。

3. 如果源是文件夹，则必须将复制活动中的 recursive 设置为 true。

4. 未指定 wildcardFolderPath、wildcardFilename、modifiedDateTimeStart、modifiedDateTimeEnd、prefix、enablePartitionDiscovery 和 additionalColumns。

"activities":[
    {
        "name": "CopyFromAzureBlobToSQLDataWarehouseViaPolyBase",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "ParquetDataset",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "AzureSQLDWDataset",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "ParquetSource",
                "storeSettings":{
                    "type": "AzureBlobStorageReadSettings",
                    "recursive": true
                }
            },
            "sink": {
                "type": "SqlDWSink",
                "allowPolyBase": true
            }
        }
    }
]

使用 PolyBase 的暂存复制

如果源数据不与 PolyBase 本机兼容，请通过临时暂存 Azure Blob 或 Azure Data Lake Storage Gen2（不能为 Azure 高级存储）来启用数据复制。 在这种情况下，该服务会自动转换数据，以满足 PolyBase 的数据格式要求。 然后，它会调用 PolyBase 将数据加载到Azure Synapse Analytics。 最后，它会从存储中清理临时数据。 若要详细了解如何通过暂存方式复制数据，请参阅暂存复制。

若要使用此功能，请创建一个Azure Blob Storage链接服务或Azure Data Lake Storage Gen2链接服务，并将 Azure帐户密钥或托管标识身份验证称为临时存储。

"activities":[
    {
        "name": "CopyFromSQLServerToSQLDataWarehouseViaPolyBase",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "SQLServerDataset",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "AzureSQLDWDataset",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "SqlSource",
            },
            "sink": {
                "type": "SqlDWSink",
                "allowPolyBase": true
            },
            "enableStaging": true,
            "stagingSettings": {
                "linkedServiceName": {
                    "referenceName": "MyStagingStorage",
                    "type": "LinkedServiceReference"
                }
            }
        }
    }
]

有关使用 PolyBase 的最佳做法

除了Azure Synapse Analytics中提到的最佳做法外，以下部分还提供最佳做法。

所需数据库权限

若要使用 PolyBase，将数据加载到 Azure Synapse Analytics 的用户必须对目标数据库具有 “CONTROL”权限。 一种实现方法是将该用户添加为 db_owner 角色的成员。 了解如何在 Azure Synapse Analytics 概述中执行此操作。

行大小和数据类型限制

PolyBase 负载限制为小于 1 MB 的行。 这些行不能用于加载到 VARCHR(MAX)、NVARCHAR 或 VARBINARY(MAX)。 有关详细信息，请参阅 Azure Synapse Analytics 服务容量限制。

如果数据源中的行大于 1 MB，可能需要将源表垂直拆分为多个小型表。 确保每行的最大大小不超过该限制。 然后，可以使用 PolyBase 加载较小的表，并在Azure Synapse Analytics中合并在一起。

或者，对于具有此类较大列的数据，可以通过关闭“允许 PolyBase”设置，来使用非 PolyBase 加载数据。

Azure Synapse Analytics资源类

若要实现最佳吞吐量，请将更大的资源类分配给通过 PolyBase 将数据加载到Azure Synapse Analytics的用户。

PolyBase 故障排除

加载到 Decimal 列

如果源数据是文本格式或其他 PolyBase 不兼容的存储（使用暂存复制和 PolyBase），并且它包含要加载到 Azure Synapse Analytics Decimal 列中的空值，则可能会遇到以下错误：

ErrorCode=FailedDbOperation, ......HadoopSqlException: Error converting data type VARCHAR to DECIMAL.....Detailed Message=Empty string can't be converted to DECIMAL.....

解决方法是在复制活动接收器 - PolyBase 设置中取消选择“使用类型默认值”选项（设为 false）>。 “USE_TYPE_DEFAULT”是一项 PolyBase 本地设置，它指定 PolyBase 从文本文件中检索数据时，如何处理带分隔符的文本文件中的缺失值。

检查 Azure Synapse Analytics 中的 tableName 属性

下表举例说明如何在 JSON 数据集中指定 tableName 属性。 其中显示了架构和表名称的多个组合。

如果看到以下错误，问题可能与为 tableName 属性指定的值有关。 有关为 tableName JSON 属性指定值的正确方法，请参阅上表。

Type=System.Data.SqlClient.SqlException,Message=Invalid object name 'stg.Account_test'.,Source=.Net SqlClient Data Provider

具有默认值的列

目前，PolyBase 功能只接受与目标表中数量相同的列。 例如，某个表包含四列，其中一列定义了默认值。 输入数据仍需包含四列。 包含三列的输入数据集生成类似于以下消息的错误：

All columns of the table must be specified in the INSERT BULK statement.

NULL 值是特殊形式的默认值。 如果列可为 null，则该列的 Blob 中的输入数据可能为空。 但输入数据集中不能缺少该数据。 PolyBase 在 Azure Synapse Analytics 中在缺失值位置插入 NULL。

外部文件访问失败

如果收到以下错误，请确保你使用的是托管标识身份验证，并已向 Azure Synapse workspace 的托管标识授予存储 Blob 数据读取者权限。

Job failed due to reason: at Sink '[SinkName]': shaded.msdataflow.com.microsoft.sqlserver.jdbc.SQLServerException: External file access failed due to internal error: 'Error occurred while accessing HDFS: Java exception raised on call to HdfsBridge_IsDirExist. Java exception message:\r\nHdfsBridge::isDirExist 

有关详细信息，请参阅创建工作区后向托管标识授予权限。

映射数据流属性

在映射数据流中转换数据时，可以从Azure Synapse Analytics读取和写入表。 有关详细信息，请参阅映射数据流中的源转换和接收器转换。

源转换

特定于Azure Synapse Analytics的设置在源转换的 Source Options 选项卡中可用。

输入：选择将源指向某个表（等效于 Select * from <table-name>），还是输入自定义 SQL 查询。

启用暂存 强烈建议在生产工作负荷中使用此选项，特别是当数据来源于 Azure Synapse Analytics 时。 使用管道中的 Azure Synapse Analytics 源执行数据流活动时，系统会提示输入暂存位置存储帐户，并将使用该帐户进行暂存数据加载。 它是从 Azure Synapse Analytics 加载数据的最快机制。

• 对存储链接服务使用托管标识身份验证时，请分别了解 Azure Blob 和 Azure Data Lake Storage Gen2 所需的配置。
• 如果您的 Azure 存储配置了 VNet 服务终结点，则必须在存储帐户上启用托管身份验证，并且勾选“允许信任的 Microsoft 服务通过”选项。请参阅 使用 VNet 服务终结点对 Azure 存储的影响。
• 使用 Azure Synapse serverless SQL 池作为源时，不支持启用暂存。

查询：如果在“输入”字段中选择“查询”，请输入源的 SQL 查询。 此设置会替代在数据集中选择的任何表。 此处不支持 Order By 子句，但你可以设置完整的 SELECT FROM 语句。 还可以使用用户定义的表函数。 select * from udfGetData() 是 SQL 中可返回表的 UDF。 此查询将生成可以在数据流中使用的源表。 使用查询也是减少进行测试或查找的行的好方法。

SQL 示例：Select * from MyTable where customerId > 1000 and customerId < 2000

批大小：输入批大小，以将大型数据分成多个读取操作。 在数据流中，会使用此设置来设置 Spark 分栏式缓存。 这是选项字段，如果留空，它将使用 Spark 默认值。

隔离级别：映射数据流中 SQL 源的默认设置为“读取未提交的内容”。 你可以将此处的隔离级别更改为以下值之一：

• 读取已提交的内容
• 读取未提交的内容
• 可重复的读取
• 可序列化
• 无（忽略隔离级别）

接收器转换

特定于 Azure Synapse Analytics 的设置可在接收器转换的“设置”选项卡中找到。

更新方法：确定数据库目标上允许哪些操作。 默认设置为仅允许插入。 若要更新、更新插入或删除行，需要进行 alter-row 转换才能标记这些操作的行。 对于更新、更新插入和删除操作，必须设置一个或多个键列，以确定要更改的行。

表操作：确定在写入之前是否从目标表重新创建或删除所有行。

• 无：不会对表进行任何操作。
• 重新创建：将删除表并重新创建表。 如果以动态方式创建表，则是必需的。
• 截断：将移除目标表中的所有行。

启用暂存：这样可以使用 copy 命令加载到 Azure Synapse Analytics SQL 池中，建议用于大多数 Synapse 接收器。 暂存存储在 Execute Data Flow 活动中配置。

• 对存储链接服务使用托管标识身份验证时，请分别了解 Azure Blob 和 Azure Data Lake Storage Gen2 所需的配置。
• 如果您的 Azure 存储配置了 VNet 服务终结点，则必须在存储帐户上启用托管身份验证，并且勾选“允许信任的 Microsoft 服务通过”选项。请参阅 使用 VNet 服务终结点对 Azure 存储的影响。

批大小：控制每个 Bucket 中写入的行数。 较大的批大小可提高压缩比并改进内存优化，但在缓存数据时可能会导致内存不足异常。

使用接收器架构：默认情况下，将在接收器架构下创建临时表作为过渡。 可以取消选中“使用接收器架构”选项，在“选择用户数据库架构”中指定架构名称，在该架构名称下，数据工厂将创建一个临时表来加载上游数据，并在完成后进行自动清理。 请确保已在数据库中创建表权限，并更改对架构的权限。

预处理和后处理 SQL 脚本：输入将在数据写入接收器数据库之前（预处理）和之后（后处理）执行的多行 SQL 脚本

行处理时出错

写入Azure Synapse Analytics时，由于目标设置的约束，某些数据行可能会失败。 一些常见错误包括：

• 字符串或二进制数据在表中会被截断
• 无法在列中插入 NULL 值
• 在将值转换成数据类型时失败

默认情况下，遇到第一个错误时，数据流运行会失败。 可以选择“出错时继续”，确保即使各行存在错误，也可以完成数据流。 该服务提供了不同的选项来处理这些错误行。

事务提交：选择是在单个事务中写入数据，还是分批写入数据。 单个事务将提供更好的性能，且事务完成之前，其他人将看不到任何写入的数据。 批处理事务的性能较差，但适用于大型数据集。

输出被拒绝的数据： 如果启用，则可以将错误行输出到您选择的Azure Blob Storage或Azure Data Lake Storage Gen2帐户中的csv文件中。 这会写入包含三个附加列的错误行：SQL 操作（例如插入或更新）、数据流错误代码，以及有关行的错误消息。

出错时报告成功：如果已启用，则即使发现了错误行，也会将数据流标记为成功。

“查找”活动属性

若要详细了解这些属性，请查看 Lookup 活动。

GetMetadata 活动属性

若要详细了解这些属性，请查看 GetMetadata 活动

Azure Synapse Analytics的数据类型映射

当您从Azure Synapse Analytics复制数据到Azure Synapse Analytics或从中复制数据时，以下映射用于将Azure Synapse Analytics的数据类型转换为Azure Data Factory的临时数据类型。 使用 Synapse 管道从/向Azure Synapse Analytics复制数据时也使用这些映射，因为管道也在Azure Synapse中实现Azure Data Factory。 若要了解复制活动如何将源架构和数据类型映射到接收器，请参阅架构和数据类型映射。

升级Azure Synapse Analytics版本

在升级 Azure Synapse Analytics 版本时，在 编辑链接服务 页面上，选择 版本 下的 推荐，并参考 推荐版本的链接服务属性 来配置链接服务。

建议版本和旧版本之间的差异

下表显示了使用推荐版本和旧版Azure Synapse Analytics之间的差异。

相关内容

有关复制活动支持作为源和接收器的数据存储的列表，请参阅支持的数据存储和格式。