DAY19 用 Azure Machine Learning SDK 建立 Datastore

我們在前面使用了圖形化介面，點一點就建立好我們 Azure Machine Learning（下稱 AML） 的 Datastore。今天我們就來使用 SDK 建立 Datastore 吧！

AML SDK 建立 Datastore

1. 我們一樣要先有 Workspace，把昨天建立好的呼叫出來吧！

from azureml.core import Workspace
ws = Workspace.from_config()

2. 我們可以用 get_default_datastore() 來列出預設的 Datastore。

datastore = ws.get_default_datastore()

3. 或是使用 ws.datastores，可以印出裡面已經有的 Datastore。

4. 我們在第三天的時候，有為了 Datastore 建立好一個 Blob，我們就用那個 Blob 來建立一個 Datastore 吧！要建立從 Blob 建立一個 Datastore，我們要用 Datastore.register_azure_blob_container()。注意到這裡要 import Datastore 哦！

from azureml.core import Datastore

Datastore.register_azure_blob_container(
    workspace=ws,
    datastore_name='<datastore-name>', #你要的 Datastore 名稱，這裡我取名叫做 datastore_sdk
    container_name='<container-name>', #你 blob 裡的 container 名稱
    account_name='<account-name>', #你 storage account 的名稱
    account_key='<account-key>', #你的 Access key，忘記這是什麼的話請去看 Day04
)

5. 建立 Datastore 後，我們進到 Workspace 的圖形化介面看一下，是不是真的已經建立成功了。如下圖。
   

6. 當然也可以透過 SDK 去印出來，看看剛剛的 Datastore 是否已經建立。我們使用 ws.datastores.get("您的datastore名稱")，就會看到印出下面那個 JSON，就是代表你已經建成功啦！

{
  "name": "datastore_sdk",
  "container_name": "ironmandatablob",
  "account_name": "ironmandata",
  "protocol": "https",
  "endpoint": "core.windows.net"
}

7. 或者你不用 get，也可以用 ws.datastores['您的datastore名稱']，也可以印出和上面一樣的東西。

Datastore 其他操作

8. 除了用 Blob 來註冊之外，還有下列可以註冊哦！

• Azure Data Lake (Gen1 or Gen2)
• Azure File Share
• Azure MySQL
• Azure PostgreSQL
• Azure SQL
• Azure Databricks File System

9. 我們還可以把 Datastore 裡的資料，下載到本機端哦！

datastore = ws.datastores.get("datastore_sdk")

datastore.download(
    "./",  # 你本地端的資料夾
    prefix='titanic.csv', # Datastore 裡的檔案路徑
    overwrite=False, # 是否要 overwrite
)

10. 可以下載，當然也可以上傳哦！

datastore = ws.datastores.get("datastore_sdk")

datastore.upload_files(
    "./titanic.csv",  # 你本地端的檔案，也可以是一個 List[str]
    target_path='titanic.csv', # Datastore 裡的檔案路徑
    overwrite=False, # 是否要 overwrite
)

以上就是今天 Datastore 的建立啦！是不是真的很容易呢？用 SDK 來操作其實不難對吧！

明天我們就用今天建立的 Datastore，來建立 Dataset 啦！