Знакомство с Фабрикой данных Azure
В этой статье рассматривается служба «Фабрика данных Azure» версии 1. Если вы используете текущую версию службы «Фабрика данных», см. руководство по службе «Фабрика данных Azure» версии 2.
Что такое фабрика данных Azure?
Как имеющиеся большие данные используются в бизнес-среде? Возможно ли расширить облачные данные за счет ссылочных данных из локальных источников данных или других разрозненных источников данных?
Например, компания-разработчик игр собирает журналы, создаваемые играми в облаке. Она хочет проанализировать эти журналы, чтобы получить сведения о предпочтениях клиентов, демографических параметрах, особенностях использования и т. д. Эти сведения помогут понять, как можно увеличить дополнительные и перекрестные продажи, разработать новые интересные функции, стимулировать развитие компании и улучшить качество обслуживания клиентов.
Чтобы проанализировать эти журналы, компании необходимо использовать справочные сведения, например информацию о клиентах, игре и маркетинговых действиях, которые хранятся в локальном хранилище данных. Таким образом компания хочет получить данные журнала из облачного хранилища данных, а справочные сведения — из локального хранилища данных.
Далее нужно обработать данные с помощью Hadoop в облаке (Azure HDInsight). Данные результатов нужно опубликовать в облачном хранилище данных, например Azure Synapse Analytics, или локальном хранилище данных, например SQL Server. И такой рабочий процесс должен выполняться еженедельно.
Для этого нужна платформа, которая позволит компании создать рабочий процесс для приема данных из локального и облачного хранилищ данных, преобразовать или обработать эти данные с помощью существующих служб вычислений (например, Hadoop) и опубликовать результаты в локальное или облачное хранилище данных для использования приложениями бизнес-аналитики.
Фабрика данных Azure — это платформа для таких сценариев. Это облачная служба интеграции данных, которая позволяет создавать управляемые данными рабочие процессы в облаке для оркестрации и автоматизации перемещения и преобразования данных. Используя фабрику данных Azure, можно выполнять следующие задачи:
создавать и включать в расписание управляемые данными рабочие процессы (конвейеры), которые могут принимать данные из разнородных хранилищ данных;
обрабатывать или преобразовывать эти данные с помощью служб вычислений (например, Azure HDInsight Hadoop, Spark, Azure Data Lake Analytics и машинного обучения Azure);
публиковать выходные данные в хранилища данных (например, Azure Synapse Analytics) для использования приложениями бизнес-аналитики.
В отличие от традиционных платформ для последовательного извлечения, преобразования и загрузки данных эта платформа предусматривает два этапа обработки: извлечение и загрузка, за которыми следуют преобразование и загрузка. При преобразовании данные обрабатываются с помощью служб вычислений, а не путем добавления производных столбцов, подсчета количества строк, сортировки данных и так далее.
Сейчас в фабрике данных Azure данные, полученные и созданные рабочими процессами, представляют временные срезы, то есть они могут обрабатываться ежечасно, ежедневно, еженедельно и т. д. Например, конвейер может считывать входные данные, обрабатывать данные и генерировать выходные данные один раз в день. Рабочий процесс также можно запускать однократно.
Как это работает?
Конвейеры (управляемые данными рабочие процессы) в фабрике Azure данных обычно выполняют следующие действия.
Подключение и сбор данных
Предприятия работают с данными разных типов, хранимыми в разных источниках. Первым этапом в создании системы производства информации является подключение ко всем необходимым источникам данных и службам обработки, таким как службы SaaS, файловые ресурсы с общим доступом, FTP и веб-службы, и перемещение данных, необходимых для последующей обработки, в централизованное расположение.
Не имея фабрики данных предприятия вынуждены создавать компоненты для перемещения пользовательских данных или писать пользовательские службы для интеграции этих источников данных и обработки. Такие системы дорого стоят, их сложно интегрировать и обслуживать. Кроме того, они часто не включают функции мониторинга и оповещений корпоративного уровня, а также элементы управления, которые может предложить полностью управляемая служба.
С помощью фабрики данных вы можете использовать действие копирования в конвейере данных, чтобы переместить данные из локальных и облачных исходных хранилищ данных в централизованное хранилище данных в облаке для последующего анализа.
Например, вы можете собрать данные в Azure Data Lake Store и позже преобразовать эти данные с помощью службы вычислений Azure Data Lake Analytics. Или же вы можете собрать данные в хранилище BLOB-объектов Azure и позже преобразовать их с помощью кластера Hadoop под управлением службы Azure HDInsight.
Преобразование и дополнение данных
Обработайте или передайте данные, собранные в централизованном облачном хранилище данных, с помощью служб вычислений, например HDInsight Hadoop, Spark, Data Lake Analytics или машинного обучения. Также необходимо надежно преобразовывать данные по определенному расписанию (поддерживаемому и управляемому) для насыщения рабочих сред доверенными данными.
Публикация
Преобразованные данные можно передавать из облака в локальные источники (например, SQL Server) Кроме того, не заключайте его в облачные источники хранилища для использования средствами бизнес-аналитики и аналитиками и другими приложениями.
Ключевые компоненты
В подписке Azure может быть один или несколько экземпляров фабрики данных Azure. Фабрика данных Azure состоит из четырех основных компонентов. Они образуют платформу, на которой можно создавать управляемые данными рабочие процессы, предусматривающие перемещение и преобразование данных.
Pipeline
Фабрика данных может иметь один или несколько конвейеров. Конвейер представляет собой группу действий. Действия в конвейере совместно выполняют задачу.
Например, конвейер может включать группу действий, которые принимают данные из большого двоичного объекта Azure и выполняют запрос Hive в кластере HDInsight для секционирования данных. Преимуществом является то, что конвейер позволяет управлять группами действий, а не каждым отдельным действием. Например, вы можете развернуть конвейер и запланировать его работу, а не планировать действия отдельно.
Действие
Конвейер может содержать одно или несколько действий. Действия определяют то, что нужно выполнить с вашими данными. Например, действие копирования может использоваться для копирования данных из одного хранилища данных в другое. Точно так же можно использовать действие Hive, которое выполняет запрос Hive к кластеру Azure HDInsight для преобразования или анализа данных. Фабрика данных поддерживает два типа действий: действия перемещения данных и действия преобразования данных.
Действия перемещения данных
Действие копирования в фабрике данных копирует данные из хранилища-источника в хранилище-приемник. Данные из любого источника можно записывать в любой приемник. Выделите название хранилища, чтобы узнать, как скопировать данные из него или в него. Фабрика данных поддерживает приведенные ниже хранилища данных:
| Категория | Хранилище данных | Поддерживается в качестве источника | Поддерживается в качестве приемника |
|---|---|---|---|
| Azure | Хранилище BLOB-объектов Azure | ✓ | ✓ |
| Azure Cosmos DB (SQL API) | ✓ | ✓ | |
| Azure Data Lake Storage 1-го поколения | ✓ | ✓ | |
| База данных SQL Azure | ✓ | ✓ | |
| Azure Synapse Analytics | ✓ | ✓ | |
| Индекс Когнитивного поиска Azure | ✓ | ||
| Хранилище таблиц Azure | ✓ | ✓ | |
| Базы данных | Amazon Redshift | ✓ | |
| DB2 | ✓ | ||
| MySQL | ✓ | ||
| СУБД | ✓ | ✓ | |
| PostgreSQL | ✓ | ||
| SAP Business Warehouse | ✓ | ||
| SAP HANA | ✓ | ||
| SQL Server | ✓ | ✓ | |
| Sybase | ✓ | ||
| Teradata | ✓ | ||
| NoSQL | Cassandra | ✓ | |
| MongoDB | ✓ | ||
| Файл | Amazon S3 | ✓ | |
| Файловая система | ✓ | ✓ | |
| FTP | ✓ | ||
| HDFS | ✓ | ||
| SFTP | ✓ | ||
| Прочие | Базовый протокол HTTP | ✓ | |
| Базовый протокол OData | ✓ | ||
| Универсальный ODBC | ✓ | ||
| Salesforce | ✓ | ||
| Веб-таблица (таблица на основе HTML) | ✓ |
Действия преобразования данных
Фабрика данных Azure поддерживает указанные ниже действия преобразования, которые вы можете добавлять в конвейеры как по отдельности, так и в связи с другим действием.
| Действия по преобразованию данных | Вычислительная среда |
|---|---|
| Hive | HDInsight [Hadoop] |
| Pig | HDInsight [Hadoop] |
| MapReduce | HDInsight [Hadoop] |
| Потоковая передача Hadoop | HDInsight [Hadoop] |
| Spark | HDInsight [Hadoop] |
| Действия Студии машинного обучения Azure (классическая версия): пакетное выполнение и обновление ресурса | Azure |
| Хранимая процедура | Azure SQL, Azure Synapse Analytics или SQL Server |
| Аналитика озера данных U-SQL | Аналитика озера данных Azure |
| DotNet | HDInsight [Hadoop] или пакетная служба Azure |
Действие MapReduce можно использовать для запуска программ Spark в кластере HDInsight Spark. Дополнительные сведения см. в разделе Вызов программ Spark из фабрики данных. Можно создать настраиваемое действие для выполнения сценариев R в кластере HDInsight, где установлена среда R. Ознакомьтесь с примером в репозитории GitHub Run R Script using Azure Data Factory (Запуск сценария R с помощью фабрики данных Azure).
Наборы данных
Каждое действие принимает некоторое число наборов данных на входе и создает один или несколько наборов данных на выходе. Наборы данных представляют структуры данных в хранилищах данных. Эти структуры указывают или ссылаются на данные, которые нужно использовать в действиях (например, входные и выходные данные).
Например, набор данных больших двоичных объектов Azure указывает контейнер больших двоичных объектов и папку в хранилище BLOB-объектов, из которой конвейер должен считывать данные. Или же набор таблиц SQL Azure указывает таблицу, в которую с помощью действия записываются выходные данные.
Связанные службы
Связанные службы напоминают строки подключения, определяющие сведения о подключении, необходимые для подключения фабрики данных к внешним ресурсам. Таким образом, набор данных представляет структуру данных, а связанная служба определяет подключение к источнику данных.
Например, связанная служба хранилища Azure определяет строку подключения для подключения к учетной записи хранения Azure. А набор данных больших двоичных объектов Azure определяет контейнер больших двоичных объектов и папку, которая содержит данные.
Связанные службы используются в фабрике данных для двух целей:
Для представления хранилища данных, включая, помимо прочего, базу данных SQL Server, базу данных Oracle, общую папку и учетную запись хранилища BLOB-объектов Azure. Список поддерживаемых хранилищ данных см. в статье Перемещение данных с помощью действия копирования.
Для представления вычислительного ресурса, в котором можно выполнить действие. Например, действие HDInsightHive выполняется в кластере Hadoop в HDInsight. Список поддерживаемых вычислительных сред см. в разделе Действия преобразования данных.
Связь между сущностями фабрики данных
Поддерживаемые регионы
Сейчас фабрики данных можно создавать в таких регионах: западная часть США, восточная часть США и Северная Европа. Однако для перемещения данных между хранилищами данных или для обработки данных с помощью служб вычислений фабрики данных могут обращаться к хранилищам данных и службам вычислений в других регионах Azure.
В самой фабрике данных Azure данные не хранятся. Она позволяет создавать рабочие процессы на основе данных в облаке, чтобы выполнять оркестрацию для перемещения данных между поддерживаемыми хранилищами данных, а также обрабатывать данные с помощью служб вычислений в других регионах или в локальной среде. Кроме того, с помощью фабрики данных можно отслеживать рабочие процессы и управлять ими, используя программные методы и пользовательский интерфейс.
Фабрика данных Azure доступна только в западной части США, восточной части США и Северной Европе. Служба фабрики данных для поддержки перемещения данных доступна глобально в нескольких регионах. Если хранилище данных находится за брандмауэром, данные перемещает шлюз управления данными, установленный в локальной среде.
Предположим, ваши вычислительные среды, например кластер Azure HDInsight и служба «Машинное обучение Azure», расположены в Западной Европе. Вы можете создать экземпляр фабрики данных Azure в Северной Европе и с его помощью планировать задания в вычислительных средах в Западной Европе. Фабрике данных требуется лишь несколько миллисекунд, чтобы запустить задание в вычислительной среде, но время выполнения задания в вашей вычислительной среде остается неизменным.
Начало работы — создание конвейера
Для создания конвейеров данных в фабрике данных Azure можно использовать API-интерфейсы или одно из следующих средств:
Чтобы научиться создавать фабрики данных с конвейерами данных, выполните пошаговые инструкции из следующих руководств:
Часто задаваемые вопросы о фабрике данных Azure
применимо к: 
Azure синапсе Analytics фабрика данных Azure 
Эта статья содержит ответы на часто задаваемые вопросы о фабрике данных Azure.
Что такое Фабрика данных Azure?
Фабрика данных — это полностью управляемая облачная служба извлечения, преобразования, загрузки и интеграции данных, которая автоматизирует перемещение и преобразование данных. Как на фабрике сырье превращается в готовую продукцию с помощью оборудования, так и в фабриках данных Azure необработанные данные собираются и преобразовываются в готовые к использованию сведения с помощью специальных служб.
Фабрика данных Azure позволяет создавать управляемые данными рабочие процессы для перемещения данных между локальными и облачными хранилищами данных. Эти данные можно обрабатывать и преобразовывать, используя средство под названием «Поток данных». ADF поддерживает также внешние вычислительные подсистемы для выполнения запрограммированных вручную преобразований с помощью служб вычислений, таких как Azure HDInsight, Azure Databricks и среды выполнения интеграции SQL Server Integration Services (SSIS).
С помощью фабрики данных вы можете выполнить обработку данных, используя облачную службу на основе Azure или собственную вычислительную среду с локальным размещением, например SSIS, SQL Server или Oracle. Для созданного конвейера, который выполняет необходимое действие, можно запланировать периодический запуск (например, ежечасно, ежедневно или еженедельно), запуск по временному окну или по некоторому событию. Дополнительную информацию см. в статье Общие сведения о службе фабрики данных Azure, службе интеграции данных в облаке.
Соответствие и безопасность
Фабрика данных Azure сертифицирована по ряду стандартов соответствия, включая SOC 1, 2, 3, HIPAA BAAи HITRUST. Полный список сертификатов, который постоянно пополняется, можно найти здесь. Цифровые копии отчетов об аудите и сертификатов соответствия можно найти в центре управления безопасностью служб.
Потоки управления и масштабирование
Чтобы обеспечить поддержку разнообразных потоков и шаблонов интеграции в современных хранилищах данных, Фабрика данных реализует новую гибкую модель конвейеров данных. Это предполагает парадигму полноценного программирования потока управления, в том числе условное выполнение, ветвление в конвейерах данных и возможность явно передавать параметры внутри потоков и между ними. В потоке управления можно также преобразовывать данные путем отправки действий во внешние подсистемы выполнения и организовывать потоки данных, включая перемещение данных в большом масштабе, с применением действия Copy.
Фабрика данных позволяет создать любой поток для своего сценария интеграции данных и запускать его по запросу или постоянно по расписанию. Ниже приведены несколько общих потоков, которые эта модель поддерживает.
Конвейеры без кода как средство преобразования данных в большом масштабе
Новый браузерный инструментарий позволяет писать и развертывать конвейеры без кода с помощью современного интерактивного веб-интерфейса.
Пользовательский веб-интерфейс Фабрики данных представляет собой среду проектирования без написания кода, которую разработчики, занимающиеся визуализацией данных, и специалисты по обработке и анализу данных могут использовать для создания конвейеров. Он полностью интегрирован с Visual Studio Online Git и обеспечивает сопряжение с процессами непрерывной интеграции и поставки (CI/CD), а также итеративной разработки с возможностями отладки.
Расширенный кроссплатформенный пакет SDK для опытных пользователей
В Фабрике данных версии 2 доступен широкий ассортимент пакетов SDK, которые можно использовать для создания, администрирования и мониторинга конвейеров средствами предпочитаемой IDE, в том числе следующими.
Пользователи пакета SDK для C# могут также использовать задокументированные REST API для обмена данными с Фабрикой данных версии 2.
Итеративная разработка и отладка с использованием визуальных средств
Визуальные инструменты Фабрики данных Azure позволяют выполнять итеративную разработку и отладку. Вы можете создавать конвейеры и выполнять тестовые запуски с помощью функции Отладка на холсте конвейера, не написав ни строки кода. Просмотреть результаты тестовых запусков можно в окне Выходные данные на холсте конвейера. После успешных тестовых запусков можно добавить дополнительные действия в конвейер и продолжать отладку итеративным методом. Выполняемые тестовые запуски также можно отменить.
Перед выбором функции Отладка необязательно публиковать изменения в службе фабрики данных. Это помогает в сценариях, когда перед обновлением рабочих процессов фабрики данных в среде разработки, тестирования и рабочей среде необходимо убедиться, что добавленные элементы и изменения работают, как и ожидалось.
Развертывание пакетов служб интеграции SSIS в Azure
Если вы хотите перемещать рабочие нагрузки служб SSIS, то создайте фабрику данных и подготовьте среду выполнения интеграции Azure SSIS. Среда выполнения интеграции Azure SSIS — это полностью управляемый кластер виртуальных машин (узлов) Azure, выделенный для выполнения пакетов служб SSIS в облаке. Пошаговые инструкции см. в руководстве Развертывание пакетов служб интеграции SQL Server (SSIS) в Azure.
Пакеты SDK
Мониторинг
Фабрики данных можно отслеживать с помощью PowerShell, пакета SDK и визуальных средств наблюдения в браузерном пользовательском интерфейсе. Вы можете отслеживать пользовательские потоки, запускаемые по требованию, на основе триггера и по времени, и управлять ими эффективно и без лишних затрат. Отменяйте существующие задачи, просматривайте общие сведения о сбоях, детализируйте сбои, чтобы получить подробные сообщения об ошибках, и выполняйте отладку неполадок на одной панели без переключения контекста или перехода между экранами.
Новые возможности служб SSIS в Фабрике данных Azure
С момента первоначального выпуска общедоступной предварительной версии в 2017 году в Фабрике данных были добавлены следующие возможности и компоненты для служб SSIS.
Что такое среда выполнения интеграции?
Среда выполнения интеграции — это вычислительная инфраструктура, с помощью которой Фабрика данных Azure обеспечивает перечисленные ниже возможности интеграции данных в разных сетевых средах.
Вы можете развертывать один экземпляр среды выполнения интеграции или несколько по необходимости, чтобы переместить или преобразовать данные. Среда выполнения интеграции может работать в общедоступной сети Azure или в частной сети (локальной сети, виртуальной сети Azure или виртуальном частном облаке Amazon Web Services [VPC]). В фабрике данных действия определяют выполняемые операции. Связанная служба обозначает целевое хранилище данных или службу вычислений. Среда выполнения интеграции соединяет между собой действия и связанные службы. На нее ссылаются связанные с ней службы или действия, а кроме того она предоставляет вычислительную среду, в которой действие выполняется или из которой оно диспетчеризируется. Такая схема позволяет выполнять действия в регионе, который максимально близко расположен к целевому хранилищу данных или службе вычислений, обеспечивает высокую производительность и соблюдение требований по безопасности и соответствию.
Среды выполнения интеграции можно создать в Фабрике данных Azure через центр управления и с помощью любых действий, наборов данных или потоков данных, которые на них ссылаются. Дополнительные сведения см. в статье Среда выполнения интеграции в фабрике данных Azure.
Что такое ограничение количества сред выполнения интеграции?
В фабрике данных нет жестких ограничений на количество экземпляров среды выполнения интеграции. Однако есть ограничение на число ядер виртуальной машины, которые среда выполнения интеграции может использовать для каждой подписки при выполнении пакетов служб SSIS. Дополнительные сведения см. в разделе Ограничения фабрики данных.
Какие основные концепции в фабрике данных Azure?
В подписке Azure может быть один или несколько экземпляров фабрики данных Azure. Фабрика данных Azure содержит четыре ключевых компонента. Они образуют платформу, на которой можно создавать управляемые данными рабочие процессы, предусматривающие перемещение и преобразование данных.
Конвейеры
Фабрика данных может иметь один или несколько конвейеров. Конвейер — это логическая группа действий, которые выполняют определенный блок задач. Действия в конвейере совместно выполняют задачу. Например, конвейер может включать группу действий, которые принимают данные из большого двоичного объекта Azure и выполняют запрос Hive в кластере HDInsight для секционирования данных. Преимуществом является то, что конвейер позволяет управлять группами действий, а не каждым отдельным действием. Вы можете связать вместе действия в конвейере, чтобы выполнять их последовательно, или выполнять их параллельно и независимо друг от друга.
Потоки данных
Потоки данных — это объекты, создаваемые визуально в Фабрике данных, которые преобразуют данные в большом масштабе в