Azure 虚拟文件集列和行集变量U-SQL

我对数据工厂的调度工作有问题。 我正在尝试每小时处理一个计划作业，该作业将在不同条件下每小时执行相同的脚本

假设我在Azure Data Lake Store中有一堆Avro文件，它们以以下模式分布。 /Data/SomeEntity/{date:yyyy}/{date:MM}/{date:dd}/SomeEntity{date:yyyy}{date:MM}{date:dd}{date:H}

每小时都有新文件添加到Data Lake存储中。 为了只处理一次文件，我决定借助U-SQL虚拟文件集列和我在Data Lake Store中创建的一些同步表来处理它们

我的查询如下所示

DECLARE @file_set_path string = /Data/SomeEntity/{date:yyyy}/{date:MM}/{date:dd}/SomeEntity_{date:yyyy}_{date:MM}_{date:dd}__{date:H};
@result = EXTRACT [Id] long,
....
date DateTime
FROM @file_set_path 
USING someextractor;

@rdate =
    SELECT MAX(ProcessedDate) AS ProcessedDate
    FROM dbo.SyncTable 
    WHERE EntityName== "SomeEntity";

@finalResult = SELECT [Id],... FROM @result
CROSS JOIN @rdate AS r
WHERE date >= r.ProcessedDate;

因为我不能在where子句中使用rowset变量，所以我将单行与set交叉连接，但是即使在这种情况下，U-SQL也找不到正确的文件并始终返回所有文件集

---

是否有任何解决方法或其他方法？

我认为这种方法应该有效，除非有不太正确的地方，即您能否确认

dbo.SyncTable

表的数据类型？转储

@rdate

，并确保获得的值与预期值相符

我制作了一个简单的演示，效果如预期。我的SyncTable副本有一条记录，其值为2018年1月1日：

@working = 
    SELECT *
    FROM (
        VALUES
            ( (int)1, DateTime.Parse("2017/12/31") ), 
            ( (int)2, DateTime.Parse("2018/01/01") ),
            ( (int)3, DateTime.Parse("2018/02/01") )
     ) AS x ( id, someDate );


@rdate =
    SELECT MAX(ProcessedDate) AS maxDate
    FROM dbo.SyncTable;

//@output =
//    SELECT *
//    FROM @rdate;

@output =
    SELECT *, (w.someDate - r.maxDate).ToString() AS diff
    FROM @working AS w
         CROSS JOIN
             @rdate AS r
    WHERE w.someDate >= r.maxDate;


OUTPUT @output TO "/output/output.csv"
USING Outputters.Csv();

我用一个文件路径（完整脚本）尝试了这个方法。需要记住的是，自定义日期格式H将小时表示为0到23之间的数字。如果插入时同步表日期没有时间组件，则默认为午夜（0），这意味着将收集一整天。根据您的模式，您的文件结构应该如下所示：

“D:\datalake\USQLDataRoot\Data\SomeEntity\2017\12\31\SomeEntity\u 2017\u 12\u 31\u 8\test.csv”

我注意到您的文件路径在第二部分中有下划线，在小时部分之前有一个双下划线（介于0和23之间，从一位数到10小时）。我注意到您的文件集路径没有文件类型或引号-我在测试中使用了

test.csv

。我的结果：

---

基本上，我认为这种方法是可行的，但有些地方不太正确，可能是在文件结构、同步表中的值、数据类型等方面。您需要仔细检查细节，转储中间值以检查，直到找到问题。

wBob完整脚本的要点是否解决了您的问题？以下是wBob的完整脚本的一个经过轻微编辑的版本，用于解决您提出的一些问题：

能够在同步表上进行筛选

模式的最后一部分是文件名，而不是文件夹。示例文件和结构：

\Data\SomeEntity\2018\01\01\SomeEntity\u 2018\u 01\u 1

---

另外请注意，文件集不能对动态联接执行分区消除，因为优化器在准备阶段不知道这些值

---

我建议将同步点作为参数从ADF传递到处理脚本。然后优化器知道该值，文件集分区消除将开始。在最坏的情况下，您必须在上一个脚本中读取同步表中的值，并在下一个脚本中将其用作参数。

是否应为“WHERE date==r.ProcessedDate；”？否，因为我正在尝试处理上次处理日期之后的所有文件。您是否在“虚拟文件集”列中进行了检查？您的目录模式是什么？您是否有其他文件，例如一个多月前具有该模式的文件？你能通过你的查询过滤掉它们吗？顺便说一句，模式的最后一部分是文件名而不是文件夹，我的文件不包含任何扩展名，无论如何，我认为这不会产生任何影响

DECLARE @file_set_path string = @"/Data/SomeEntity/{date:yyyy}/{date:MM}/{date:dd}/SomeEntity_{date:yyyy}_{date:MM}_{date:dd}__{date:H}";

@input =
EXTRACT [Id] long,
        date DateTime
FROM @file_set_path
USING Extractors.Text();

// in lieu of creating actual table
@syncTable = 
SELECT * FROM 
    ( VALUES
    ( "SomeEntity",     new DateTime(2018,01,01,01,00,00) ), 
    ( "AnotherEntity",  new DateTime(2018,01,01,01,00,00) ), 
    ( "SomeEntity",     new DateTime(2018,01,01,00,00,00) ), 
    ( "AnotherEntity",  new DateTime(2018,01,01,00,00,00) ), 
    ( "SomeEntity",     new DateTime(2017,12,31,23,00,00) ), 
    ( "AnotherEntity",  new DateTime(2017,12,31,23,00,00) )
    ) AS x ( EntityName, ProcessedDate );

@rdate =
SELECT MAX(ProcessedDate) AS maxDate
FROM @syncTable
WHERE EntityName== "SomeEntity";

@output =
SELECT *,
       date.ToString() AS dateString
FROM @input AS i
     CROSS JOIN
         @rdate AS r
WHERE i.date >= r.maxDate;


OUTPUT @output 
TO "/output/output.txt"
ORDER BY Id
USING Outputters.Text(quoting:false);