教學課程：使用 SynapseML 和 Azure AI 搜尋服務為 Apache Spark 大型資料編製索引

發行項
09/03/2024

本 Azure AI 搜尋服務教學課程將介紹如何為載入自 Spark 叢集的大型資料編製索引並進行查詢。設定 Jupyter Notebook 執行下列動作：

將各種表單 (發票) 載入至 Apache Spark 工作階段中的資料框架
分析這些資料以判斷其特徵
將產生的輸出組合成表格式資料結構
將輸出寫入 Azure AI 搜尋服務中裝載的搜尋索引
探索和查詢您所建立的內容

本教學課程相依於 SynapseML，這是一個開放原始碼程式庫，可支援巨量資料的大規模平行機器學習。在 SynapseML 中，搜尋索引編製和機器學習會透過執行特定工作的轉換器公開。轉換器會利用各種 AI 功能。在此練習中，使用 AzureSearchWriter API 進行分析和 AI 擴充。

雖然 Azure AI 搜尋服務具有原生 AI 擴充功能，但本教學課程會示範如何在 Azure AI 搜尋服務外部存取 AI 功能。藉由使用 SynapseML，而不是索引子或技能，您便不會受限於這些物件相關的資料限制或其他條件約束。

提示

請觀賞此示範的短片：https://www.youtube.com/watch?v=iXnBLwp7f88。影片會以更多步驟和視覺效果呈現本教學課程。

必要條件

您需要 synapseml 程式庫和數個 Azure 資源。可能的話，請在您的 Azure 資源使用相同的訂用帳戶和區域，並將所有內容放在同一資源群組中，以便稍後可輕鬆將其清除。下列連結適用於入口網站安裝。範例資料會從公用網站匯入。

SynapseML 套件 ¹
Azure AI 搜尋服務 (任意服務層級) ²
Azure AI 服務 (任意服務層級) ³
Azure Databricks (任意服務層級) ⁴

¹ 此連結會解析為載入套件的教學課程。

² 您可以使用免費的搜尋服務層級來編製範例資料的索引，但如果您的資料磁碟區很大，請選擇更高的服務層級。針對計費層，請在後續的設定相依項目步驟中提供搜尋 API 金鑰。

³ 本教學課程會使用 Azure AI 文件智慧服務和 Azure AI 翻譯工具。在後續指示中，提供多重服務金鑰和區域。相同的金鑰適用於這兩個服務。

⁴ 在本教學課程中，Azure Databricks 提供 Spark 運算平台。我們已使用入口網站指示來設定工作區。

注意

上述所有 Azure 資源都支援 Microsoft 身分識別平台的安全性功能。為了簡單起見，本教學課程假設使用從每個服務 Azure 入口網站頁面複製的端點和金鑰，進行密鑰型驗證。如果您在實際執行環境中實作此工作流程，或與他人分享此解決方案，請記得以整合式安全性或加密密鑰取代硬式編碼金鑰。

步驟 1：建立 Spark 叢集和筆記本

在本節中，請建立叢集、安裝 synapseml 程式庫，以及建立筆記本來執行程式碼。

在 Azure 入口網站中找到您的 Azure Databricks 工作區，然後選取 [啟動工作區]。
在左側功能表上，選取 [計算]。
選取 [建立計算]。
接受預設組態。建立叢集需要幾分鐘的時間。
在建立叢集之後安裝 synapseml 程式庫：
1. 從叢集頁面頂端的索引標籤選取 [程式庫]。
2. 選取 [安裝新的]。
3. 選取 [Maven]。
4. 在 [座標] 中，輸入 com.microsoft.azure:synapseml_2.12:1.0.4
5. 選取安裝。
在左側功能表上，選取 [建立]>[筆記本]。
指定筆記本的名稱、選取 [Python] 作為預設語言，然後選取具有 synapseml 程式庫的叢集。
建立七個連續的儲存格。將程式碼貼到每個儲存格中。

步驟 2：設定相依性

將下列程式碼貼到筆記本的第一個儲存格中。

以端點和存取金鑰取代每個資源的預留位置。為新的搜尋索引提供名稱。其他內容不需要修改，當您準備好時即可執行程式碼。

此程式碼會匯入多個套件，並設定此工作流程中使用的 Azure 資源存取權。

import os
from pyspark.sql.functions import udf, trim, split, explode, col, monotonically_increasing_id, lit
from pyspark.sql.types import StringType
from synapse.ml.core.spark import FluentAPI

cognitive_services_key = "placeholder-cognitive-services-multi-service-key"
cognitive_services_region = "placeholder-cognitive-services-region"

search_service = "placeholder-search-service-name"
search_key = "placeholder-search-service-api-key"
search_index = "placeholder-search-index-name"

步驟 3：將資料載入 Spark

將下列程式碼貼到第二個儲存格中。無需其他修改，當您準備好時即可執行程式碼。

此程式碼會載入一些 Azure 儲存體帳戶的外部檔案。這些檔案是各種發票，並且會讀取到資料框架中。

def blob_to_url(blob):
    [prefix, postfix] = blob.split("@")
    container = prefix.split("/")[-1]
    split_postfix = postfix.split("/")
    account = split_postfix[0]
    filepath = "/".join(split_postfix[1:])
    return "https://{}/{}/{}".format(account, container, filepath)


df2 = (spark.read.format("binaryFile")
    .load("wasbs://ignite2021@mmlsparkdemo.blob.core.windows.net/form_subset/*")
    .select("path")
    .limit(10)
    .select(udf(blob_to_url, StringType())("path").alias("url"))
    .cache())
    
display(df2)

步驟 4：新增文件智慧服務

將下列程式碼貼到第三個儲存格中。無需其他修改，當您準備好時即可執行程式碼。

此程式碼會載入 AnalyzeInvoices 轉換器，並傳遞包含發票的資料框架參考。其會呼叫 Azure AI 文件智慧服務預先建置的發票模型，藉此擷取發票資訊。

from synapse.ml.cognitive import AnalyzeInvoices

analyzed_df = (AnalyzeInvoices()
    .setSubscriptionKey(cognitive_services_key)
    .setLocation(cognitive_services_region)
    .setImageUrlCol("url")
    .setOutputCol("invoices")
    .setErrorCol("errors")
    .setConcurrency(5)
    .transform(df2)
    .cache())

display(analyzed_df)

此步驟的輸出應該類似於下方螢幕擷取畫面。請注意表單分析如何封裝成密集結構化資料行，這種格式很難使用。下一個轉換會將資料行剖析成資料列和資料行，從而解決此問題。

步驟 5：重新建構文件智慧服務輸出

將下列程式碼貼到第四個儲存格中並執行。不需要修改。

此程式碼會載入 FormOntologyLearner，此轉換器會分析「文件智慧服務」轉換器的輸出，並推斷表格式資料結構。 AnalyzeInvoices 的輸出並非固定，而是根據內容中偵測到的特徵而有所不同。此外，轉換器會將輸出合併成單一資料行。因為輸出不固定且經過合併，因此很難在需要更多結構的下游轉換中使用。

FormOntologyLearner 會尋找可用來建立表格式資料結構的模式，藉此擴充 AnalyzeInvoices 轉換器的應用範圍。將輸出整理成多個資料行和資料列，使內容可用於其他轉換器，例如 AzureSearchWriter。

from synapse.ml.cognitive import FormOntologyLearner

itemized_df = (FormOntologyLearner()
    .setInputCol("invoices")
    .setOutputCol("extracted")
    .fit(analyzed_df)
    .transform(analyzed_df)
    .select("url", "extracted.*").select("*", explode(col("Items")).alias("Item"))
    .drop("Items").select("Item.*", "*").drop("Item"))

display(itemized_df)

請注意此轉換如何將巢狀欄位重新轉換成資料表，從而支援後續的兩個轉換。為保持簡潔，此螢幕擷取畫面已經過修剪。如果您追蹤自己的筆記本，則會看到 19 個資料行和 26 個資料列。

步驟 6：新增翻譯

將下列程式碼貼到第五個儲存格。無需其他修改，當您準備好時即可執行程式碼。

此程式碼會載入 Translate，此轉換器會在 Azure AI 服務中呼叫 Azure AI 翻譯工具服務。原始文字 (「Description (描述)」資料行中的英文) 會以機器翻譯成各種語言。所有輸出都會合併至「output.translations」陣列。

from synapse.ml.cognitive import Translate

translated_df = (Translate()
    .setSubscriptionKey(cognitive_services_key)
    .setLocation(cognitive_services_region)
    .setTextCol("Description")
    .setErrorCol("TranslationError")
    .setOutputCol("output")
    .setToLanguage(["zh-Hans", "fr", "ru", "cy"])
    .setConcurrency(5)
    .transform(itemized_df)
    .withColumn("Translations", col("output.translations")[0])
    .drop("output", "TranslationError")
    .cache())

display(translated_df)

提示

若要檢查翻譯的字串，請捲動至資料列的結尾。

步驟 7：使用 AzureSearchWriter 新增搜尋索引

將下列程式碼貼到第六個儲存格中，然後執行。不需要修改。

此程式碼會載入 AzureSearchWriter。該轉換器會取用表格式資料集，並推斷搜尋索引架構，為每個資料行定義一個欄位。因為翻譯結構是一個陣列，所以在索引中會以複雜集合的形式來呈現每個語言翻譯的子欄位。產生的索引有文件索引鍵，並使用建立索引 REST API 所建立欄位的預設值。

from synapse.ml.cognitive import *

(translated_df.withColumn("DocID", monotonically_increasing_id().cast("string"))
    .withColumn("SearchAction", lit("upload"))
    .writeToAzureSearch(
        subscriptionKey=search_key,
        actionCol="SearchAction",
        serviceName=search_service,
        indexName=search_index,
        keyCol="DocID",
    ))

您可以在 Azure 入口網站中檢查搜尋服務頁面，以探索 AzureSearchWriter 所建立的索引定義。

注意

如果您無法使用預設搜尋索引，可以在 JSON 中提供外部自訂定義，將其 URI 作為「indexJson」屬性中的字串傳遞。請先產生預設索引，以便識別要指定的欄位，然後遵循自訂屬性，假如您需要特定的分析器。

步驟 8：查詢索引

將下列程式碼貼到第七個儲存格中，然後執行。不需要修改，但您可以改變語法或嘗試更多範例以進一步探索您的內容：

其中沒有發出查詢的轉換器或模組。此儲存格是搜尋文件 REST API 的簡單呼叫。

此特定範例正在搜尋「door」一詞 ("search": "door")。該搜尋也會傳回相符文件的「count (計數)」，並只針對結果選取「Description (描述)」和「Translations (翻譯)」欄位的內容。如果您想要查看欄位的完整清單，請移除「select」參數。

import requests

url = "https://{}.search.windows.net/indexes/{}/docs/search?api-version=2024-07-01".format(search_service, search_index)
requests.post(url, json={"search": "door", "count": "true", "select": "Description, Translations"}, headers={"api-key": search_key}).json()

下列螢幕擷取畫面顯示範例指令碼的儲存格輸出。

清除資源

如果您使用自己的訂用帳戶，當專案結束時，建議您移除不再需要的資源。資源若繼續執行，將需付費。您可以個別刪除資源，或刪除資源群組以刪除整組資源。

您可以使用左側瀏覽窗格中的 [所有資源] 或 [資源群組] 連結，在 Azure 入口網站中找到和管理資源。

下一步

在本教學課程中，您已認識 SynapseML 中的 AzureSearchWriter 轉換器，這是在 Azure AI 搜尋服務中建立和載入搜尋索引的新方式。轉換器會採用結構化 JSON 作為輸入。 FormOntologyLearner 可以提供 SynapseML 中檔案智慧服務轉換器產生輸出所需的結構。

作為下一步驟，請檢閱其他 SynapseML 教學課程，以產生您可能想透過 Azure AI 搜尋服務探索的轉換內容：

教學課程：使用 Azure AI 服務進行文字分析

共用方式為