Uppgradera datalagerhantering till SDK v2

Azure Machine Learning Datastores behåller säkert anslutningsinformationen till din datalagring i Azure, så att du inte behöver koda den i skripten. V2 Datastore-konceptet förblir mestadels oförändrat jämfört med V1. Skillnaden är att vi inte stöder SQL-liknande datakällor via Azure Machine Learning Datastores. Vi stöder SQL-liknande datakällor via Azure Machine Learning-funktioner för import och export av data.

Den här artikeln ger en jämförelse av scenarion i SDK v1 och SDK v2.

Skapa ett datalager från en Azure Blob-container via account_key

• SDK v1

  blob_datastore_name='azblobsdk' # Name of the datastore to workspace
  container_name=os.getenv("BLOB_CONTAINER", "<my-container-name>") # Name of Azure blob container
  account_name=os.getenv("BLOB_ACCOUNTNAME", "<my-account-name>") # Storage account name
  account_key=os.getenv("BLOB_ACCOUNT_KEY", "<my-account-key>") # Storage account access key
  
  blob_datastore = Datastore.register_azure_blob_container(workspace=ws, 
                                                           datastore_name=blob_datastore_name, 
                                                           container_name=container_name, 
                                                           account_name=account_name,
                                                           account_key=account_key)
  

• SDK v2

  from azure.ai.ml.entities import AzureBlobDatastore
  from azure.ai.ml import MLClient
  
  ml_client = MLClient.from_config()
  
  store = AzureBlobDatastore(
      name="blob-protocol-example",
      description="Datastore pointing to a blob container using wasbs protocol.",
      account_name="mytestblobstore",
      container_name="data-container",
      protocol="wasbs",
      credentials={
          "account_key": "XXXxxxXXXxXXXXxxXXXXXxXXXXXxXxxXxXXXxXXXxXXxxxXXxxXXXxXxXXXxxXxxXXXXxxxxxXXxxxxxxXXXxXXX"
      },
  )
  
  ml_client.create_or_update(store)
  

Skapa ett datalager från en Azure Blob-container via sas_token

• SDK v1

  blob_datastore_name='azblobsdk' # Name of the datastore to workspace
  container_name=os.getenv("BLOB_CONTAINER", "<my-container-name>") # Name of Azure blob container
  sas_token=os.getenv("BLOB_SAS_TOKEN", "<my-sas-token>") # Sas token
  
  blob_datastore = Datastore.register_azure_blob_container(workspace=ws, 
                                                           datastore_name=blob_datastore_name, 
                                                           container_name=container_name, 
                                                           sas_token=sas_token)
  

• SDK v2

  from azure.ai.ml.entities import AzureBlobDatastore
  from azure.ai.ml import MLClient
  
  ml_client = MLClient.from_config()
  
  store = AzureBlobDatastore(
      name="blob-sas-example",
      description="Datastore pointing to a blob container using SAS token.",
      account_name="mytestblobstore",
      container_name="data-container",
      credentials=SasTokenCredentials(
          sas_token= "?xx=XXXX-XX-XX&xx=xxxx&xxx=xxx&xx=xxxxxxxxxxx&xx=XXXX-XX-XXXXX:XX:XXX&xx=XXXX-XX-XXXXX:XX:XXX&xxx=xxxxx&xxx=XXxXXXxxxxxXXXXXXXxXxxxXXXXXxxXXXXXxXXXXxXXXxXXxXX"
      ),
  )
  
  ml_client.create_or_update(store)
  

Skapa ett datalager från en Azure Blob-container via identitetsbaserad autentisering

• SDK v1

blob_datastore = Datastore.register_azure_blob_container(workspace=ws,
                                                      datastore_name='credentialless_blob',
                                                      container_name='my_container_name',
                                                      account_name='my_account_name')

• SDK v2

  from azure.ai.ml.entities import AzureBlobDatastore
  from azure.ai.ml import MLClient
  
  ml_client = MLClient.from_config()
  
  store = AzureBlobDatastore(
      name="",
      description="",
      account_name="",
      container_name=""
  )
  
  ml_client.create_or_update(store)
  

Hämta datalager från din arbetsyta

• SDK v1

  # Get a named datastore from the current workspace
  datastore = Datastore.get(ws, datastore_name='your datastore name')
  

  # List all datastores registered in the current workspace
  datastores = ws.datastores
  for name, datastore in datastores.items():
      print(name, datastore.datastore_type)
  

• SDK v2

  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  #Enter details of your Azure Machine Learning workspace
  subscription_id = '<SUBSCRIPTION_ID>'
  resource_group = '<RESOURCE_GROUP>'
  workspace_name = '<AZUREML_WORKSPACE_NAME>'
  
  ml_client = MLClient(credential=DefaultAzureCredential(),
                       subscription_id=subscription_id, 
                       resource_group_name=resource_group)
  
  datastore = ml_client.datastores.get(name='your datastore name')
  

Mappning av viktiga funktioner i SDK v1 och SDK v2

Nästa steg

Mer information finns i:

• Skapa datalager
• Läsa och skriva data i ett jobb
• V2-datalageråtgärder