ADF 第六篇：Copy Data Activity详解

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

在Azure 数据工程中，可以使用Copy Data 活动把数据从on-premises 或云中复制到其他存储中。Copy Data 活动必须在一个IR（Integration Runtime）上运行，对于把存储在on-premises中的数据复制到其他存储时，必须创建一个self-hosted Integration Runtime。

一，认识Copy Data Activity

创建一个Pipeline，从Activities列表中找到“Copy data”，拖放到Pipeline画布中，如下图所示：

在General选项卡中，设置Activity的常规属性

Name：为Activity命名
Timeout：设置Activity的超时时间
Retry：重试次数
Retry interval：重试一次间隔的时间，单位是second
Secure output：安全输出，如果勾选，那么该Activity的输出不会记录
Secure input：安全入，如果勾选，那么该Activity的输入不会记录

二，设置源属性

Source选项卡用于设置Copy data Activity的源属性，

1，Source 的常规设置

Source dataset：设置源的dataset

use query：Table选项表示整个表作为一个数据源，Query或 Store procedure选项表示使用查询语句或存储过程来获取数据源。

Query timeout(minutes)：表示查询超时的时间

Isolation level：设置查询隔离级别，作用于数据源。

2，Partition option

指定从SQL Server加载数据的分区选项，当启用分区选项时（不是None），从SQL Server 同时加载数据的并发度由Copy data Activity的Degree of copy parallelism属性设置。Physical Partitions Of Table表示数据工厂根据原始表的分区定义来确定分区列和分区机制；当选择Dynamic range选项时，用户还需要设置Partition column name、Partition upper bound 和Partition lower bound三项，手动设置分区列和分区机制。

3，Additional columns

添加额外的列，Value由三种类型：Add dynamic content、$$COLUMN和Custom。

$$COLUMN：表示把源的指定列复制为另一列

Custom：表示添加一列，列指是常量

Add dynamic content，表示添加动态上下文（Dynamic Content），动态上下文是指数据工厂的上下文，这些动态上下文由系统变量（System variables）来提供：

三，设置Sink

Sink是Copy Data Activity复制数据的目标数据集，Data Factory 使用 Sink dataset来设置目标。

1，Store procedure name

从Sink dataset中选择存储过程，该存储过程定义了如何把元数据应用于目标表。该存储过程每个batch调用一次，对于仅运行一次且与源数据无关的操作，请使用 Pre-copy script 属性。

如果使用Pre-copy script 属性，通常意味着数据是全量更新，重写整个表，比如以下脚本：

truncate table staging_table

Copy data activity的执行过程是：每次执行Copy data activity，数据工厂首先执行Pre-copy script，然后使用最新的数据插入数据到target table。

如果使用存储过程，通常是对数据进行增量更新，要实现增量更新，实际上是把数据集作为参数传递给存储过程，这就意味着存储过程的一个参数必须是表变量类型，存储过程的代码实现如下脚本所示，

CREATE PROCEDURE spOverwriteMarketing
@Marketing [dbo].[MarketingType] READONLY
, @category varchar(256)
AS
BEGIN
MERGE [dbo].[Marketing] AS target
USING @Marketing AS source
ON (target.ProfileID = source.ProfileID and target.Category = @category)
WHEN MATCHED THEN
UPDATE SET State = source.State
WHEN NOT MATCHED THEN
INSERT (ProfileID, State, Category)
VALUES (source.ProfileID, source.State, source.Category);
END

2，Table option

如果设置为Auto create table，那么当目标表不存在时，数据工厂根据Source 的元数据自动创建目标表。

3，常规设置

Write batch timeout：每个batch数据写入的超时时间

Write batch size：每个batch的数据行数量

Max concurrent connections：访问数据存储的最大的并发连接数量

四，设置Mapping

在Mapping选项卡中，主要设置Source 和 Sink之间的列映射

1，Type conversion settings用于设置类型转换

Allow data truncation：在把source数据转换到sink时，如果字段的类型不同，允许数据截断。
Treat boolean as number：把bool值作为数值来看待，把true看作1，把false看作1
DateTime format：DateTime类型的格式
DateTimeOffset format：数据间隔的格式
TimeSpan format：TimeSpan的格式
Culture：locale

2，列映射

设置列与列之间的映射关系，用户需要点击“Import schemas”来导入架构元数据。

五，设置Settings

配置Copy data Activity的设置

1，常规的设置

Data integration unit：数据集成的单元
Degree of copy parallelism：指定数据加载时并发度
Data consistency verification：当勾选时，Copy data Activity会在数据移动之后，对数据进行一致性检查
Enable logging：启用日志，记录复制的文件，跳过的数据行和文件
Enable staging：指定是否要通过临时存储来复制数据

2，设置Fault tolerance

当设置Fault tolerance （错误容忍）之后，用户可以忽略在复制数据过程中出现的一些错误，可以忽略的错误类型主要有三个：

Skip incompatible rows：跳过不兼容的行
Skip missing files：跳过缺失的文件
Skip forbidden files：跳过禁止的文件

六，数据更新的全量更新和增量更新

数据更新的方式主要有：全量更新、追加数据、增量更新。

1，数据的全量更新和追加更新

如果使用Pre-copy script 属性，通常意味着数据是全量更新和追加更新。

在插入数据之前，如果先清空目标表，再向目标表插入数据，这种方式是全量更新；如果不清空目标表，只是向目标表插入新的数据，那么就是追加更新，前提是保证数据是无重复的新数据。

2，通过存储过程来实现Copy data Activity的增量更新

如果Sink属性使用存储过程，那么是对数据进行增量更新。实现数据的增量更新，实际上是把数据集作为参数传递给存储过程，这就意味着存储过程的一个参数必须是表变量类型。

由于存储过程在连接表变量时，性能较差，建议对分batch插入，每个batch进行一次插入操作。

创建一个表类型，作为存储过程的参数，表的架构和输入数据的架构相同：

CREATE TYPE [dbo].[MarketingType] AS TABLE
(
[ProfileID] [varchar](256) NOT NULL,
[State] [varchar](256) NOT NULL,
[Category] [varchar](256) NOT NULL
)

创建存储过程，第一个变量是表变量，该存储过程的作用是把表变量的数据更新到Sink指定的target table中。

3，使用临时表来实现增量更新

先把数据加载到临时表，通过merge语句把临时数据归并到product table。

参考文档：

Copy data to and from SQL Server by using Azure Data Factory

Copy activity in Azure Data Factory