Como carregar ficheiros CSV para Azure SQL no Azure Data Factory

João Barros 09 de August de 2026 3 min de leitura

Este tutorial mostra como carregar ficheiros CSV armazenados no Azure Blob Storage para uma tabela Azure SQL usando o Azure Data Factory, com transformações leves e tratamento de erros. Aprender a automatizar esta tarefa é útil para integrar dados de origem em pipelines ETL/ELT e garantir cargas repetíveis e observáveis.

Pré-requisitos

Conta Azure com permissões para criar recursos
Uma Azure Storage Account com um contentor e alguns ficheiros CSV
Uma instância Azure SQL Database com uma tabela de destino
Uma instância do Azure Data Factory (ou permissões para criar uma)
Azure Key Vault recomendado para segredos (opcional)

Passo 1: Criar Linked Services

Os Linked Services indicam ao ADF como ligar às fontes/destinos. Crie um Linked Service para o Azure Blob Storage e outro para o Azure SQL Database. Use a interface do ADF (Manage > Linked services) e teste a ligação. Se utilizar segredos, aponte para o Azure Key Vault ou use Managed Identity para maior segurança.

Passo 2: Criar Datasets para origem e destino

Crie um Dataset do tipo Azure Blob Storage apontando para os ficheiros CSV (padrão de nome ou pasta). Crie um Dataset do tipo Azure SQL Database apontando para a tabela de destino. No dataset CSV configure o delimitador, o encoding e se o ficheiro tem cabeçalho.

Passo 3: Pipeline de cópia com transformação leve

Crie um pipeline e adicione uma atividade Copy. No painel Source seleccione o Dataset CSV e active a opção de wildcard se for necessário carregar vários ficheiros (ex.: container/folder/*.csv). No painel Sink seleccione o Dataset Azure SQL. Para transformação leve (ex.: remover colunas ou converter tipos) utilize a secção Mapping ou adicione uma actividade Data Flow se precisar de lógica mais complexa.

{
  "name": "CopyFromBlobToSql",
  "properties": {
    "activities": [
      {
        "name": "CopyCSVtoSQL",
        "type": "Copy",
        "inputs": [ { "referenceName": "CSV_Dataset", "type": "DatasetReference" } ],
        "outputs": [ { "referenceName": "SQL_Dataset", "type": "DatasetReference" } ],
        "typeProperties": {
          "source": { "type": "DelimitedTextSource" },
          "sink": { "type": "SqlSink" }
        }
      }
    ]
  }
}

Passo 4: Tratar erros e registar falhas

Adicione uma actividade If Condition ou um pipeline de erro em cadeia: configure a propriedade Fault tolerance e a política de retry na actividade Copy. Para capturar linhas com erro, configure a Copy activity para escrever em modo "fault tolerant" com uma coluna de erro para um ficheiro separado no Blob Storage ou para uma tabela de auditoria no Azure SQL.

Passo 5: Parametrizar para reutilizar

Parametrizar o pipeline permite usar o mesmo fluxo para vários ficheiros ou pastas. Adicione parâmetros ao pipeline (ex.: containerName, folderPath, tableName) e passe-os para os Datasets via parâmetros. Na interface, nos Datasets use expressões para construir o caminho do ficheiro com @{pipeline().parameters.folderPath}.

// Exemplo de parâmetro no dataset (sintaxe de expressão na interface):
"path": "@concat(pipeline().parameters.containerName, '/', pipeline().parameters.folderPath)"

Verificar o resultado

Confirme o sucesso verificando o Monitor do Azure Data Factory: veja se a atividade Copy terminou com sucesso, quantas linhas foram lidas e escritas. Verifique a tabela Azure SQL para os novos registos e o Blob Storage para ficheiros de erro/auditoria. Consulte também o Output da actividade Copy para mensagens de erro detalhadas.

Conclusão

Agora tem um pipeline ADF funcional para carregar ficheiros CSV do Azure Blob Storage para Azure SQL com parametrização e tratamento básico de erros. Próximos passos: adicionar Data Flows para transformações complexas, usar Mapping para corresponder colunas com tipos, e automatizar com triggers. Dica: comece por testar com ficheiros pequenos e activar logging detalhado antes de escalar.