Lab 02 | Interroger des fichiers à l’aide d’un pool SQL serverless
Gonzague Ducos
SQL est probablement le langage le plus utilisé dans le monde pour travailler avec des données. La plupart des analystes de données maîtrisent l’utilisation des requêtes SQL pour récupérer, filtrer et agréger les données, le plus souvent dans les bases de données relationnelles. Alors que les entreprises tirent de plus en plus parti du stockage de fichiers évolutif pour créer des lacs de données, SQL reste souvent le choix privilégié pour interroger les données. Azure Synapse Analytique fournit des pools SQL serverless qui vous permettent de découpler le moteur de requêtes SQL du stockage de données et d’exécuter des requêtes sur des fichiers de données dans des formats de fichiers courants tels que le texte délimité et Parquet.
dans lequel vous disposez d’un accès de niveau administratif.
Approvisionner un espace de travail Azure Synapse Analytique
Vous aurez besoin d’un espace de travail Azure Synapse Analytique avec accès au stockage du lac de données. Vous pouvez utiliser le pool SQL serverless intégré pour interroger des fichiers dans le lac de données.
Dans cet exercice, vous allez utiliser une combinaison d’un script PowerShell et d’un modèle ARM pour provisionner un espace de travail Azure Synapse Analytique.
Utilisez le bouton [>_] à droite de la barre de recherche en haut de la page pour créer un Cloud Shell dans le portail Azure, en sélectionnant un environnement PowerShell et en créant un stockage si vous y êtes invité. Cloud Shell fournit une interface de ligne de commande dans un volet situé au bas du portail Azure, comme illustré ici :
Remarque : Si vous avez déjà créé un Cloud Shell qui utilise un environnement Bash, utilisez le menu déroulant en haut à gauche du volet Cloud Shell pour le remplacer par PowerShell.
Notez que vous pouvez redimensionner la coque du nuage en faisant glisser la barre de séparation en haut du volet ou en utilisant les icônes —, ◻ et X en haut à droite du volet pour réduire, agrandir et fermer le volet. Pour plus d’informations sur l’utilisation d’Azure Cloud Shell, consultez la
Une fois le référentiel cloné, entrez les commandes suivantes pour accéder au dossier de cet atelier et exécuter le script setup.ps1 qu’il contient :
cd dp203/Allfiles/02
./setup.ps1
Si vous y êtes invité, choisissez l’abonnement que vous souhaitez utiliser (cela ne se produira que si vous avez accès à plusieurs abonnements Azure).
Lorsque vous y êtes invité, entrez un mot de passe approprié à définir pour votre pool SQL Azure Synapse.
Remarque : N’oubliez pas ce mot de passe !
Attendez que le script soit terminé - cela prend généralement environ 10 minutes, mais dans certains cas, cela peut prendre plus de temps. Pendant que vous attendez, consultez l’article
Le script provisionne un espace de travail Azure Synapse Analytique et un compte de stockage Azure pour héberger le lac de données, puis charge certains fichiers de données dans le lac de données.
Afficher les fichiers dans le lac de données
Une fois le script terminé, dans le portail Azure, accédez au groupe de ressources dp500-xxxxxxx qu’il a créé, puis sélectionnez votre espace de travail Synapse.
Dans la page Vue d’ensemble de votre espace de travail Synapse, dans la carte Ouvrir Synapse Studio, sélectionnez Ouvrir pour ouvrir Synapse Studio dans un nouvel onglet du navigateur. Connectez-vous si vous y êtes invité.
Sur le côté gauche de Synapse Studio, utilisez l’icône ›› pour développer le menu, ce qui révèle les différentes pages de Synapse Studio que vous utiliserez pour gérer les ressources et effectuer des tâches d’analytique de données.
Dans la page Données, affichez l’onglet Lié et vérifiez que votre espace de travail inclut un lien vers votre compte de stockage Azure Data Lake Storage Gen2, qui doit avoir un nom similaire à synapsexxxxxxx (Principal - datalakexxxxxxx).
Développez votre compte de stockage et vérifiez qu’il contient un conteneur de système de fichiers nommé files.
Sélectionnez le conteneur files et notez qu’il contient un dossier nommé sales. Ce dossier contient les fichiers de données que vous allez interroger.
Ouvrez le dossier sales et le dossier csv qu’il contient, et observez que ce dossier contient des fichiers .csv pour trois ans de données de vente.
Cliquez avec le bouton droit sur l’un des fichiers et sélectionnez Aperçu pour afficher les données qu’il contient. Notez que les fichiers ne contiennent pas de ligne d’en-tête, vous pouvez donc désélectionner l’option d’affichage des en-têtes de colonne.
Fermez l’aperçu, puis utilisez le bouton ↑ pour revenir au dossier sales.
Dans le dossier sales, ouvrez le dossier json et observez qu’il contient des exemples de commandes client dans des fichiers .json . Prévisualisez l’un de ces fichiers pour voir le format JSON utilisé pour une commande client.
Fermez l’aperçu, puis utilisez le bouton ↑ pour revenir au dossier sales.
Dans le dossier sales, ouvrez le dossier parquet et observez qu’il contient un sous-dossier pour chaque année (2019-2021), dans chacun duquel un fichier nommé orders.snappy.parquet contient les données de commande de cette année.
Revenez au dossier sales afin de voir les dossiers csv, json et parquet.
Utiliser SQL pour interroger des fichiers CSV
Sélectionnez le dossier csv, puis dans la liste Nouveau script SQL de la barre d’outils, sélectionnez Sélectionner les 100 premières lignes.
Dans la liste Type de fichier, sélectionnez Format Texte, puis appliquez les paramètres pour ouvrir un nouveau script SQL qui interroge les données du dossier.
Dans le volet Propriétés du SQL script 1 qui est créé, remplacez le nom par Requete CSV Sales et modifiez les paramètres de résultat pour afficher Toutes les lignes. Ensuite, dans la barre d’outils, sélectionnez Publier pour enregistrer le script et utilisez le bouton Propriétés (qui ressemble à 🗏 .) à l’extrémité droite de la barre d’outils pour masquer le volet Propriétés.
Examinez le code SQL qui a été généré, qui doit être similaire à ceci :
Ce code utilise l’ensemble OPENROWSET pour lire les données des fichiers CSV dans le dossier sales et récupère les 100 premières lignes de données.
Dans la liste Se connecter à, assurez-vous que l’option Intégré est sélectionnée, car elle représente le pool SQL intégré qui a été créé avec votre espace de travail.
Dans la barre d’outils, utilisez le bouton ▷ Exécuter pour exécuter le code SQL et examinez les résultats, qui doivent ressembler à ceci :
Notez que les résultats se composent de colonnes nommées C1, C2, etc. Dans cet exemple, les fichiers CSV n’incluent pas les en-têtes de colonne. Bien qu’il soit possible d’utiliser les données à l’aide des noms de colonnes génériques qui ont été attribués ou par position ordinale, il sera plus facile de comprendre les données si vous définissez un schéma tabulaire. Pour ce faire, ajoutez une clause WITH à la fonction OPENROWSET comme illustré ici (en remplaçant datalakexxxxxxx par le nom de votre compte de stockage Data Lake), puis réexécutez la requête :
Publiez les modifications apportées à votre script, puis fermez le volet de script.
Utiliser SQL pour interroger des fichiers Parquet
Bien que CSV soit un format facile à utiliser, il est courant dans les scénarios de traitement de Big Data d’utiliser des formats de fichiers optimisés pour la compression, l’indexation et le partitionnement. L’un des formats les plus courants est le parquet.
Dans l’onglet files qui contient le système de fichiers de votre lac de données, revenez au dossier sales afin de voir les dossiers csv, json et parquet.
Sélectionnez le dossier Parquet, puis dans la liste Nouveau script SQL de la barre d’outils, sélectionnez Sélectionner les 100 premières lignes.
Dans la liste Type de fichier, sélectionnez Format Parquet, puis appliquez les paramètres pour ouvrir un nouveau script SQL qui interroge les données du dossier. Le script doit ressembler à ceci :
Exécutez le code et notez qu’il retourne les données de commande client dans le même schéma que les fichiers CSV que vous avez explorés précédemment. Les informations de schéma sont incorporées dans le fichier Parquet, de sorte que les noms de colonne appropriés sont affichés dans les résultats.
Modifiez le code comme suit (en remplaçant datalakexxxxxxx par le nom de votre compte de stockage Data Lake), puis exécutez-le.
Notez que les résultats incluent le nombre de commandes pour les trois années - le caractère générique utilisé dans le chemin d’accès BULK fait en sorte que la requête renvoie des données à partir de tous les sous-dossiers.
Les sous-dossiers reflètent les partitions dans les données Parquet, qui est une technique souvent utilisée pour optimiser les performances des systèmes qui peuvent traiter plusieurs partitions de données en parallèle. Vous pouvez également utiliser des partitions pour filtrer les données.
Modifiez le code comme suit (en remplaçant datalakexxxxxxx par le nom de votre compte de stockage Data Lake), puis exécutez-le.
Examinez les résultats et notez qu’ils ne comprennent que les chiffres des ventes de 2019 et 2020. Ce filtrage est réalisé en incluant un caractère générique pour la valeur du dossier de partition dans le chemin BULK (year=*) et une clause WHERE basée sur la propriété filepath des résultats renvoyés par OPENROWSET (qui dans ce cas a l’alias [result]).
Nommez votre script RequeteParquet Sales et publiez-la. Fermez ensuite le volet de script.
Utiliser SQL pour interroger des fichiers JSON
JSON est un autre format de données populaire, donc il est utile pour pouvoir interroger des fichiers .json dans un pool SQL serverless.
Dans l’onglet files contenant le système de fichiers de votre lac de données, revenez au dossier sales afin de voir les dossiers csv, json et parquet.
Sélectionnez le dossier json, puis dans la liste Nouveau script SQL de la barre d’outils, sélectionnez Sélectionner les 100 premières lignes.
Dans la liste Type de fichier, sélectionnez Format de texte, puis appliquez les paramètres pour ouvrir un nouveau script SQL qui interroge les données du dossier. Le script doit ressembler à ceci :
Le script est conçu pour interroger des données délimitées par des virgules (CSV) plutôt que JSON, vous devez donc apporter quelques modifications avant qu’il ne fonctionne correctement.
Modifiez le script comme suit (en remplaçant datalakexxxxxxx par le nom de votre compte de stockage Data Lake) pour :
Supprimez le paramètre de version de l’analyseur.
Ajoutez des paramètres pour les terminaisons de champ, les champs entre guillemets et les terminaisons de ligne avec le code de caractère 0x0b.
Formatez les résultats sous la forme d’un champ unique contenant la ligne de données JSON sous la forme d’une chaîne NVARCHAR(MAX).
Exécutez le code modifié et observez que les résultats incluent un document JSON pour chaque commande.
Modifiez la requête comme suit (en remplaçant datalakexxxxxxx par le nom de votre compte de stockage Data Lake) afin qu’elle utilise la fonction JSON_VALUE pour extraire des valeurs de champ individuelles à partir des données JSON.
SELECT JSON_VALUE(Doc, '$.SalesOrderNumber') AS OrderNumber,