Cómo consultar datos particionados en Synapse Serverless

João Barros 06 de July de 2026 4 min de lectura

Cuando un Data Lake crece hasta millones de ficheros, leerlos todos en cada consulta se vuelve lento y caro. En el serverless SQL pool de Azure Synapse puede organizar los ficheros en carpetas y leer solo las que necesita, usando OPENROWSET con wildcards y la función filepath(). El resultado es consultar datos particionados de forma rápida, pagando solo por los datos que recorre cada consulta.

Requisitos previos

Un workspace de Azure Synapse Analytics con el endpoint serverless SQL (Built-in).
Ficheros Parquet (o CSV) en una cuenta de Azure Data Lake Storage Gen2.
El rol Storage Blob Data Reader en la cuenta de almacenamiento.
Un editor de SQL: Synapse Studio o Azure Data Studio.

Paso 1: Organizar los ficheros en carpetas particionadas

La partición empieza por cómo se guardan los ficheros. La convención más habitual es una carpeta por valor de partición, con el formato columna=valor. Por ejemplo, para ventas organizadas por año y mes:

vendas/
  ano=2025/
    mes=11/ parte-001.parquet
    mes=12/ parte-001.parquet
  ano=2026/
    mes=01/ parte-001.parquet

Este patrón, conocido como Hive-style partitioning, lo reconoce Synapse y permite que una consulta se salte carpetas enteras cuando filtra por año o por mes. Cuanto más equilibradas estén las particiones, mejor será el rendimiento.

Paso 2: Leer todos los ficheros con OPENROWSET

Empiece por consultar todo el árbol de carpetas usando wildcards (*) en la ruta. Un * corresponde a una carpeta y *.parquet a cualquier fichero Parquet:

SELECT COUNT_BIG(*) AS total_linhas
FROM OPENROWSET(
    BULK 'https://minhaconta.dfs.core.windows.net/dados/vendas/ano=*/mes=*/*.parquet',
    FORMAT = 'PARQUET'
) AS r;

Esta consulta lee todos los ficheros. Todavía no hay filtro de partición: es solo el punto de partida.

Paso 3: Exponer las particiones con filepath()

La función filepath(n) devuelve el valor que capturó el n-ésimo wildcard de la ruta. Como tenemos dos * (año y mes), filepath(1) devuelve el año (ano) y filepath(2) el mes (mes):

SELECT
    r.filepath(1) AS ano,
    r.filepath(2) AS mes,
    COUNT_BIG(*) AS linhas
FROM OPENROWSET(
    BULK 'https://minhaconta.dfs.core.windows.net/dados/vendas/ano=*/mes=*/*.parquet',
    FORMAT = 'PARQUET'
) AS r
GROUP BY r.filepath(1), r.filepath(2)
ORDER BY ano, mes;

Fíjese en que las columnas de partición (año, mes) no están dentro del fichero Parquet: provienen del nombre de la carpeta, a través de filepath().

Paso 4: Filtrar particiones para recorrer menos datos

Aquí está el truco que ahorra tiempo y dinero. Cuando filtra por filepath() en la cláusula WHERE, el serverless SQL pool aplica partition elimination (eliminación de particiones): determina por la ruta qué carpetas son relevantes y ni siquiera abre las demás.

SELECT r.filepath(2) AS mes, COUNT_BIG(*) AS linhas
FROM OPENROWSET(
    BULK 'https://minhaconta.dfs.core.windows.net/dados/vendas/ano=*/mes=*/*.parquet',
    FORMAT = 'PARQUET'
) AS r
WHERE r.filepath(1) = '2026'
GROUP BY r.filepath(2)
ORDER BY mes;

Como filtró filepath(1) = '2026', el motor lee solo la carpeta ano=2026 e ignora las demás. Si filtrara también filepath(2), reduciría aún más los datos recorridos.

Paso 5: Guardar la consulta en una VIEW

Para reutilizarla sin repetir la ruta, cree una VIEW en una base de datos del serverless SQL:

CREATE VIEW dbo.vw_vendas AS
SELECT
    r.filepath(1) AS ano,
    r.filepath(2) AS mes,
    r.*
FROM OPENROWSET(
    BULK 'https://minhaconta.dfs.core.windows.net/dados/vendas/ano=*/mes=*/*.parquet',
    FORMAT = 'PARQUET'
) AS r;

A partir de ahí, un simple SELECT ... FROM dbo.vw_vendas WHERE ano = '2026' mantiene la eliminación de particiones en funcionamiento.

Verificar el resultado

Confirme dos cosas. Primero, que los valores de año (ano) y mes (mes) aparecen correctos en los resultados: eso prueba que filepath() está leyendo las carpetas correctas. Segundo, abra la pestaña de mensajes/estadísticas y compare los datos procesados (data processed) entre la consulta sin filtro (Paso 3) y la consulta con filtro (Paso 4): la segunda debería recorrer muchos menos. En el serverless SQL pool el coste se basa en los datos recorridos, así que menos datos significa menos coste.

Conclusión

Con carpetas particionadas, OPENROWSET y filepath(), lee solo lo que necesita, haciendo las consultas más rápidas y baratas. El siguiente paso es convertir los datos de uso frecuente a Parquet particionado con CETAS y acordar una convención de carpetas coherente para todo el equipo. ¿Qué dimensión tiene más sentido para particionar sus datos: fecha, región o cliente?