azure-storage-file-datalake-py
microsoft/skills
Gestiona Azure Data Lake Storage Gen2 con el SDK de Python para sistemas de archivos jerárquicos, análisis de grandes datos y operaciones de archivos/directorios.
...Expandir todoSDK de Azure Data Lake Storage Gen2 para Python
Sistema de archivos jerárquico para cargas de trabajo de análisis de grandes datos.
Instalación
pip install azure-storage-file-datalake azure-identity
Variables de entorno
AZURE_STORAGE_ACCOUNT_URL=https://<cuenta>.dfs.core.windows.net # Obligatorio para todos los métodos de autenticación
AZURE_TOKEN_CREDENTIALS=prod # Solo obligatorio si se utiliza DefaultAzureCredential en producción
</cuenta>Autenticación y ciclo de vida
🔑 Se aplican dos reglas a cada ejemplo de código a continuación:
- Preferir
DefaultAzureCredential. Funciona localmente (Azure CLI / VS Code / Developer CLI) y en Azure (identidad administrada, identidad de carga de trabajo) sin cambios en el código. Evite las cadenas de conexión y las claves de cuenta/API, ya que eluden la auditoría y la rotación de Entra.
- Desarrollo local:
DefaultAzureCredentialfunciona tal cual.- Producción: establezca
AZURE_TOKEN_CREDENTIALS=prod(oAZURE_TOKEN_CREDENTIALS=<credencial_específica></credencial_específica>) para restringir la cadena de credenciales a credenciales seguras para producción.- Envuelva cada cliente en un administrador de contexto para que las transferencias HTTP, los sockets y las cachés de tokens se liberen de forma determinista:
- Síncrono:
with <cliente>(...) as cliente:</cliente>- Asíncrono:
async with <cliente>(...) as cliente:</cliente>yasync with DefaultAzureCredential() as credential:(deazure.identity.aio)Los fragmentos de código pueden abreviar esta configuración, pero el código de producción debe seguir siempre ambas reglas.
from azure.identity import DefaultAzureCredential, ManagedIdentityCredential
from azure.storage.filedatalake import DataLakeServiceClient
# Desarrollo local: DefaultAzureCredential. Producción: establezca AZURE_TOKEN_CREDENTIALS=prod o AZURE_TOKEN_CREDENTIALS=<credencial_específica>
credential = DefaultAzureCredential(require_envvar=True)
# O utilice una credencial específica directamente en producción:
# Consulte https://learn.microsoft.com/python/api/overview/azure/identity-readme?view=azure-python#credential-classes
# credential = ManagedIdentityCredential()
account_url = "https://<cuenta>.dfs.core.windows.net"
with DataLakeServiceClient(account_url=account_url, credential=credential) as service_client:
# Utilice service_client aquí (consulte las secciones siguientes para las operaciones)
...
</cuenta></credencial_específica>Jerarquía de clientes
| Cliente | Propósito |
|---|---|
| `DataLakeServiceClient` | Operaciones a nivel de cuenta |
| `FileSystemClient` | Operaciones de contenedor (sistema de archivos) |
| `DataLakeDirectoryClient` | Operaciones de directorio |
| `DataLakeFileClient` | Operaciones de archivo |
Operaciones del sistema de archivos
# Crear sistema de archivos (contenedor)
file_system_client = service_client.create_file_system("myfilesystem")
# Obtener existente
file_system_client = service_client.get_file_system_client("myfilesystem")
# Eliminar
service_client.delete_file_system("myfilesystem")
# Listar sistemas de archivos
for fs in service_client.list_file_systems():
print(fs.name)
Operaciones de directorio
file_system_client = service_client.get_file_system_client("myfilesystem")
# Crear directorio
directory_client = file_system_client.create_directory("mydir")
# Crear directorios anidados
directory_client = file_system_client.create_directory("path/to/nested/dir")
# Obtener cliente de directorio
directory_client = file_system_client.get_directory_client("mydir")
# Eliminar directorio
directory_client.delete_directory()
# Renombrar/mover directorio
directory_client.rename_directory(new_name="myfilesystem/newname")
Operaciones de archivo
Subir archivo
# Obtener cliente de archivo
file_client = file_system_client.get_file_client("path/to/file.txt")
# Subir desde archivo local
with open("local-file.txt", "rb") as data:
file_client.upload_data(data, overwrite=True)
# Subir bytes
file_client.upload_data(b"Hello, Data Lake!", overwrite=True)
# Adjuntar datos (para archivos grandes)
file_client.append_data(data=b"chunk1", offset=0, length=6)
file_client.append_data(data=b"chunk2", offset=6, length=6)
file_client.flush_data(12) # Confirmar los datos
Descargar archivo
file_client = file_system_client.get_file_client("path/to/file.txt")
# Descargar todo el contenido
download = file_client.download_file()
content = download.readall()
# Descargar a archivo
with open("downloaded.txt", "wb") as f:
download = file_client.download_file()
download.readinto(f)
# Descargar rango
download = file_client.download_file(offset=0, length=100)
Eliminar archivo
file_client.delete_file()
Listar contenidos
# Listar rutas (archivos y directorios)
for path in file_system_client.get_paths():
print(f"{'DIR' if path.is_directory else 'FILE'}: {path.name}")
# Listar rutas en directorio
for path in file_system_client.get_paths(path="mydir"):
print(path.name)
# Listado recursivo
for path in file_system_client.get_paths(path="mydir", recursive=True):
print(path.name)
Propiedades de archivo/directorio
# Obtener propiedades
properties = file_client.get_file_properties()
print(f"Tamaño: {properties.size}")
print(f"Última modificación: {properties.last_modified}")
# Establecer metadatos
file_client.set_metadata(metadata={"processed": "true"})
Control de acceso (ACL)
# Obtener ACL
acl = directory_client.get_access_control()
print(f"Propietario: {acl['owner']}")
print(f"Permisos: {acl['permissions']}")
# Establecer ACL
directory_client.set_access_control(
owner="user-id",
permissions="rwxr-x---"
)
# Actualizar entradas de ACL
from azure.storage.filedatalake import AccessControlChangeResult
directory_client.update_access_control_recursive(
acl="user:user-id:rwx"
)
Cliente asíncrono
from azure.storage.filedatalake.aio import DataLakeServiceClient
from azure.identity.aio import DefaultAzureCredential
async def datalake_operations():
async with DefaultAzureCredential() as credential:
async with DataLakeServiceClient(
account_url="https://<cuenta>.dfs.core.windows.net",
credential=credential
) as service_client:
file_system_client = service_client.get_file_system_client("myfilesystem")
file_client = file_system_client.get_file_client("test.txt")
await file_client.upload_data(b"async content", overwrite=True)
download = await file_client.download_file()
content = await download.readall()
import asyncio
asyncio.run(datalake_operations())
</cuenta>Mejores prácticas
- Elija síncrono O asíncrono y mantenga la coherencia. No mezcle clientes síncronos de
azure.storage.filedatalakecon clientes asíncronos deazure.storage.filedatalake.aioen la misma ruta de llamada. Elija un modo por módulo. - Utilice siempre administradores de contexto para clientes y credenciales asíncronas. Envuelva cada cliente en
with DataLakeServiceClient(...) as cliente:(síncrono) oasync with DataLakeServiceClient(...) as cliente:(asíncrono). ParaDefaultAzureCredentialasíncrono deazure.identity.aio, utilice tambiénasync with credential:para que los tokens y las transferencias se limpien correctamente. - Utilice
DefaultAzureCredentialpara una autenticación portátil entre el desarrollo local y Azure (evite cadenas de conexión / claves API cuando sea posible). - Utilice un espacio de nombres jerárquico para la semántica del sistema de archivos
- Utilice
append_data+flush_datapara subir archivos grandes - Establezca ACLs a nivel de directorio y heredarlas a los hijos
- Utilice el cliente asíncrono para escenarios de alto rendimiento
- Utilice
get_pathsconrecursive=Truepara una lista completa de directorios - Establezca metadatos para atributos de archivo personalizados
- Considere la API de Blob para casos de uso simples de almacenamiento de objetos
---
name: azure-storage-file-datalake-py
description: Manage Azure Data Lake Storage Gen2 with Python SDK for hierarchical file systems, big data analytics, and file/directory operations.
license: MIT
---
# Azure Data Lake Storage Gen2 SDK for Python
Hierarchical file system for big data analytics workloads.
## Installation
```bash
pip install azure-storage-file-datalake azure-identity
```
## Environment Variables
```bash
AZURE_STORAGE_ACCOUNT_URL=https://<account>.dfs.core.windows.net # Required for all auth methods
AZURE_TOKEN_CREDENTIALS=prod # Required only if DefaultAzureCredential is used in production
```
## Authentication & Lifecycle
> **🔑 Two rules apply to every code sample below:**
>
> 1. **Prefer `DefaultAzureCredential`.** It works locally (Azure CLI / VS Code / Developer CLI) and in Azure (managed identity, workload identity) with no code change. Avoid connection strings, account/API keys — they bypass Entra audit and rotation.
> - Local dev: `DefaultAzureCredential` works as-is.
> - Production: set `AZURE_TOKEN_CREDENTIALS=prod` (or `AZURE_TOKEN_CREDENTIALS=<specific_credential>`) to constrain the credential chain to production-safe credentials.
> 2. **Wrap every client in a context manager** so HTTP transports, sockets, and token caches are released deterministically:
> - Sync: `with <Client>(...) as client:`
> - Async: `async with <Client>(...) as client:` **and** `async with DefaultAzureCredential() as credential:` (from `azure.identity.aio`)
>
> Snippets may abbreviate this setup, but production code should always follow both rules.
```python
from azure.identity import DefaultAzureCredential, ManagedIdentityCredential
from azure.storage.filedatalake import DataLakeServiceClient
# Local dev: DefaultAzureCredential. Production: set AZURE_TOKEN_CREDENTIALS=prod or AZURE_TOKEN_CREDENTIALS=<specific_credential>
credential = DefaultAzureCredential(require_envvar=True)
# Or use a specific credential directly in production:
# See https://learn.microsoft.com/python/api/overview/azure/identity-readme?view=azure-python#credential-classes
# credential = ManagedIdentityCredential()
account_url = "https://<account>.dfs.core.windows.net"
with DataLakeServiceClient(account_url=account_url, credential=credential) as service_client:
# Use service_client here (see following sections for operations)
...
```
## Client Hierarchy
| Client | Purpose |
|--------|---------|
| `DataLakeServiceClient` | Account-level operations |
| `FileSystemClient` | Container (file system) operations |
| `DataLakeDirectoryClient` | Directory operations |
| `DataLakeFileClient` | File operations |
## File System Operations
```python
# Create file system (container)
file_system_client = service_client.create_file_system("myfilesystem")
# Get existing
file_system_client = service_client.get_file_system_client("myfilesystem")
# Delete
service_client.delete_file_system("myfilesystem")
# List file systems
for fs in service_client.list_file_systems():
print(fs.name)
```
## Directory Operations
```python
file_system_client = service_client.get_file_system_client("myfilesystem")
# Create directory
directory_client = file_system_client.create_directory("mydir")
# Create nested directories
directory_client = file_system_client.create_directory("path/to/nested/dir")
# Get directory client
directory_client = file_system_client.get_directory_client("mydir")
# Delete directory
directory_client.delete_directory()
# Rename/move directory
directory_client.rename_directory(new_name="myfilesystem/newname")
```
## File Operations
### Upload File
```python
# Get file client
file_client = file_system_client.get_file_client("path/to/file.txt")
# Upload from local file
with open("local-file.txt", "rb") as data:
file_client.upload_data(data, overwrite=True)
# Upload bytes
file_client.upload_data(b"Hello, Data Lake!", overwrite=True)
# Append data (for large files)
file_client.append_data(data=b"chunk1", offset=0, length=6)
file_client.append_data(data=b"chunk2", offset=6, length=6)
file_client.flush_data(12) # Commit the data
```
### Download File
```python
file_client = file_system_client.get_file_client("path/to/file.txt")
# Download all content
download = file_client.download_file()
content = download.readall()
# Download to file
with open("downloaded.txt", "wb") as f:
download = file_client.download_file()
download.readinto(f)
# Download range
download = file_client.download_file(offset=0, length=100)
```
### Delete File
```python
file_client.delete_file()
```
## List Contents
```python
# List paths (files and directories)
for path in file_system_client.get_paths():
print(f"{'DIR' if path.is_directory else 'FILE'}: {path.name}")
# List paths in directory
for path in file_system_client.get_paths(path="mydir"):
print(path.name)
# Recursive listing
for path in file_system_client.get_paths(path="mydir", recursive=True):
print(path.name)
```
## File/Directory Properties
```python
# Get properties
properties = file_client.get_file_properties()
print(f"Size: {properties.size}")
print(f"Last modified: {properties.last_modified}")
# Set metadata
file_client.set_metadata(metadata={"processed": "true"})
```
## Access Control (ACL)
```python
# Get ACL
acl = directory_client.get_access_control()
print(f"Owner: {acl['owner']}")
print(f"Permissions: {acl['permissions']}")
# Set ACL
directory_client.set_access_control(
owner="user-id",
permissions="rwxr-x---"
)
# Update ACL entries
from azure.storage.filedatalake import AccessControlChangeResult
directory_client.update_access_control_recursive(
acl="user:user-id:rwx"
)
```
## Async Client
```python
from azure.storage.filedatalake.aio import DataLakeServiceClient
from azure.identity.aio import DefaultAzureCredential
async def datalake_operations():
async with DefaultAzureCredential() as credential:
async with DataLakeServiceClient(
account_url="https://<account>.dfs.core.windows.net",
credential=credential
) as service_client:
file_system_client = service_client.get_file_system_client("myfilesystem")
file_client = file_system_client.get_file_client("test.txt")
await file_client.upload_data(b"async content", overwrite=True)
download = await file_client.download_file()
content = await download.readall()
import asyncio
asyncio.run(datalake_operations())
```
## Best Practices
1. **Pick sync OR async and stay consistent.** Do not mix `azure.storage.filedatalake` sync clients with `azure.storage.filedatalake.aio` async clients in the same call path. Choose one mode per module.
2. **Always use context managers for clients and async credentials.** Wrap every client in `with DataLakeServiceClient(...) as client:` (sync) or `async with DataLakeServiceClient(...) as client:` (async). For async `DefaultAzureCredential` from `azure.identity.aio`, also use `async with credential:` so tokens and transports are cleaned up.
3. **Use `DefaultAzureCredential`** for portable auth across local dev and Azure (avoid connection strings / API keys when possible).
4. **Use hierarchical namespace** for file system semantics
5. **Use `append_data` + `flush_data`** for large file uploads
6. **Set ACLs at directory level** and inherit to children
7. **Use async client** for high-throughput scenarios
8. **Use `get_paths` with `recursive=True`** for full directory listing
9. **Set metadata** for custom file attributes
10. **Consider Blob API** for simple object storage use cases
Todos los archivos
1 archivosInstalar azure-storage-file-datalake-py
Descarga y extrae los archivos de habilidades en tu directorio .claude/skills/.
Descargar ZIPClona el repositorio y copia los archivos de la habilidad a tu proyecto.
git clone https://github.com/microsoft/skills/tree/main/.github/plugins/azure-sdk-python/skills/azure-storage-file-datalake-py # Copy SKILL.md to your .claude/skills/ directory
Copiar





Hogar
