Scansione dei file

Usare la Profondità di scansione per scegliere quanti metadati datannurpy deve estrarre. La stessa impostazione depth si applica a add_folder, add_dataset, add_database e add_geodatabase, a livello globale o per singola voce add.

Scansione dei file

yaml

add:
  # Scansiona una cartella (CSV, Excel, SAS)
  - folder: ./data

  # Con metadati personalizzati per la cartella
  - folder: ./data
    id: prod
    name: Production

  # Con opzioni di filtraggio
  - folder: ./data
    include: ["*.csv", "*.xlsx"]
    exclude: ["**/tmp/**"]
    recursive: true
    csv_encoding: utf-8        # oppure cp1252, iso-8859-1 (rilevato automaticamente per impostazione predefinita)

  # Più cartelle con opzioni condivise
  - folder: [./data/sales, ./data/hr]
    include: ["*.csv"]

  # Un singolo file
  - dataset: ./data/sales.csv

  # Più file
  - dataset:
      - ./data/sales.csv
      - ./data/products.csv

Pattern di filtraggio

I pattern include ed exclude vengono confrontati con i percorsi relativi normalizzati rispetto alla cartella scansionata. I percorsi usano il separatore / su ogni piattaforma, e un / o ./ iniziale nei pattern viene ignorato. Il filtraggio prima mantiene i file che corrispondono ad almeno un pattern include quando include è impostato, poi rimuove i file che corrispondono a un qualsiasi pattern exclude.

Esempi:

Pattern	Significato
`name.csv`	File esatto nella radice della cartella scansionata
`subdir/name.csv`	Percorso relativo esatto del file
`*.csv`	Qualsiasi file CSV a qualsiasi profondità
`subdir/*.csv`	File CSV direttamente dentro `subdir`
`/tmp/`	File sotto qualsiasi directory `tmp`
`tmp/`	Tutto ciò che è sotto la directory `tmp` nella radice
`**/tmp/`	Tutto ciò che è sotto qualsiasi directory chiamata `tmp`

Rilevamento delle serie temporali

Quando time_series: true (predefinito), i file con pattern temporali nei loro nomi o nelle cartelle padre vengono raggruppati automaticamente in un unico dataset:

data/
├── enquete_2020.csv    ─┐
├── enquete_2021.csv     ├─→ Un unico dataset "enquete" con nb_resources=3
├── enquete_2022.csv    ─┘
└── reference.csv       ─→ Dataset separato "reference"

Il dataset risultante include nb_resources, start_date ed end_date. Le variabili tengono traccia dei propri start_date ed end_date quando la loro presenza cambia tra i periodi.

Impostare time_series: false per trattare ogni file come un dataset separato.

Vedere Raggruppamento di serie temporali per i pattern supportati, il raggruppamento delle tabelle di database, l'evoluzione dello schema e le regole contro i falsi positivi.

Formati Parquet

Sono supportati sia file Parquet semplici sia dataset partizionati (Delta, Hive, Iceberg):

yaml

add:
  # add_folder rileva automaticamente tutti i formati
  - folder: ./data             # scansiona *.parquet + directory Delta/Hive/Iceberg

  # Singola directory partizionata con override dei metadati
  - dataset: ./data/sales_delta
    name: Sales Data
    description: Monthly sales
    folder:
      id: sales
      name: Sales

Con gli extra [delta] e [iceberg], i metadati (nome, descrizione, documentazione delle colonne) vengono estratti quando disponibili.

Formati geospaziali

datannurpy scansiona file geospaziali vettoriali e raster e arricchisce ogni dataset con metadati spaziali. L'extra geo fornisce il lettore vettoriale (pyogrio), il lettore raster (rasterio), la riproiezione CRS (pyproj) e le librerie per le esportazioni ISO 19139 / STAC (pygeometa, pystac):

bash

pip install datannurpy[geo]

GeoPackage e GeoParquet vengono letti senza l'extra; il loro bbox viene riproiettato in WGS84 solo quando pyproj è disponibile.

yaml

add:
  # I file vettoriali e raster vengono rilevati automaticamente da add_folder, come ogni altro formato
  - folder: ./geodata          # *.geojson, *.shp, *.gml, *.kml, *.tif, *.parquet

  # Un singolo file geospaziale
  - dataset: ./geodata/parcels.shp

  # Un GeoPackage è un contenitore SQLite — scansionato come database
  - database: sqlite:///./geodata/cadastre.gpkg

  # Un ESRI File Geodatabase è un contenitore multi-layer — un dataset per layer
  - geodatabase: ./geodata/cadastre.gdb

Formato	Estensione	Aggiunto con
GeoJSON	`.geojson`	`folder` / `dataset`
Shapefile	`.shp` (+ `.shx`/`.dbf`/`.prj`)	`folder` / `dataset`
Shapefile zippato	`.zip` (un `.shp` + file collaterali)	`dataset`
GML	`.gml`	`folder` / `dataset`
KML	`.kml`	`folder` / `dataset`
GeoTIFF (raster)	`.tif`, `.tiff`	`folder` / `dataset`
GeoParquet	`.parquet`	`folder` / `dataset`
GeoPackage	`.gpkg`	`database: sqlite:///…`
ESRI File Geodatabase	`.gdb`	`geodatabase`

Uno Shapefile viene spesso distribuito come un unico .zip (IGN, Census TIGER, Eurostat …). È sufficiente puntare una voce dataset: al file zip: lo Shapefile interno viene estratto e scansionato come uno normale — riproiezione CRS inclusa — su qualsiasi sorgente:

yaml

add:
  - dataset: https://data.example.org/ADMIN-EXPRESS_FRA.zip

L'archivio deve contenere esattamente uno Shapefile. Gli archivi con più Shapefile e il rilevamento automatico degli zip all'interno di una scansione folder: non sono supportati — in quei casi estrarre prima gli archivi.

Metadati spaziali

Ogni dataset spaziale acquisisce questi campi (lasciati null per i dati non spaziali):

Campo	Descrizione
`crs`	Sistema di riferimento delle coordinate nativo, ad es. `EPSG:2056`
`geometry_type`	Tipo di geometria OGC (`point`, `polygon`, …); null per raster e layer misti
`bbox`	Bounding box `west,south,east,north` in WGS84 (EPSG:4326), ordine lon/lat
`spatial_resolution`	Dimensione del pixel raster in metri (solo CRS proiettati); null per i vettoriali

Per i layer vettoriali, le colonne attributo diventano variabili con lo schema e le statistiche consueti; la geometria stessa è mantenuta come variabile binaria non profilata. Per i raster, ogni banda diventa una variabile (type: band) con i propri min/max/mean/std.

Contenitori multi-layer

GeoPackage e File Geodatabase contengono più layer, quindi ogni layer diventa un dataset a sé sotto una cartella contenitore — esattamente come le tabelle di database. Un GeoPackage è un file SQLite, quindi viene aggiunto tramite database: (sqlite:///…); un File Geodatabase è una directory GDAL, quindi ha la propria voce geodatabase: (oppure catalog.add_geodatabase(path) in Python). Entrambi accettano pattern glob include/exclude per filtrare i layer per nome:

yaml

add:
  - geodatabase: ./geodata/cadastre.gdb
    include: ["parcels_*"]      # solo i layer che iniziano con parcels_
    exclude: ["*_tmp"]

Le sorgenti geospaziali funzionano sullo storage remoto come qualsiasi altro file: gli Shapefile remoti recuperano automaticamente i file collaterali .shx/.dbf/.prj, e una directory File Geodatabase remota viene scaricata prima della scansione.

Opzioni CSV

Evitare la copia temporanea UTF-8 quando i file sono già locali e in UTF-8 (fallback automatico se il rilevamento dell'encoding fallisce):

yaml

csv_skip_copy: true

CSV compressi

Un CSV compresso con gzip (.csv.gz) viene scansionato come qualsiasi altro file — su qualsiasi sorgente, a qualsiasi profondità — e viene catalogato esattamente come il suo gemello non compresso (stessi id/name, stesse variabili):

yaml

add:
  - dataset: ./data/sales.csv.gz
  - folder: sftp://user@host/exports    # *.csv.gz accanto a *.csv

È supportato soltanto il gzip di CSV a flusso singolo; altre forme compresse (.parquet.gz, archivi .zip, Shapefile zippati) non lo sono — estrarle prima. La compressione a livello di trasporto HTTP (Content-Encoding: gzip) è gestita automaticamente e non richiede nulla di particolare.

Storage remoto

Scansione di file su URL HTTP(S) pubblici, server SFTP o cloud storage (S3, Azure, GCS). Il dizionario storage_options viene passato direttamente a fsspec — consultare la documentazione del provider per le opzioni disponibili:

yaml

env_file: .env               # SFTP_PASSWORD, AWS_KEY, AWS_SECRET, ecc.

SFTP

Richiede pip install datannurpy[ssh].

yaml

add:
  - folder: sftp://user@host/path/to/data
    storage_options:
      password: ${SFTP_PASSWORD}   # oppure key_filename: /path/to/key

Amazon S3

Richiede pip install datannurpy[s3].

yaml

add:
  - folder: s3://my-bucket/data
    storage_options:
      key: ${AWS_KEY}
      secret: ${AWS_SECRET}

Azure Blob

Richiede pip install datannurpy[azure].

yaml

add:
  - folder: az://container/data
    storage_options:
      account_name: ${AZURE_ACCOUNT}
      account_key: ${AZURE_KEY}

Google Cloud Storage

Richiede pip install datannurpy[gcs].

yaml

add:
  - folder: gs://my-bucket/data
    storage_options:
      token: /path/to/credentials.json

URL HTTP(S) pubblici

Puntare una voce dataset: a un URL pubblico per ottenere variabili documentate, statistiche e un'anteprima — il modo naturale per catalogare open data già online (portali di dati, Zenodo, ecc.). Funziona subito, senza extra da installare.

yaml

add:
  - dataset: https://data.example.org/opendata/sales.csv

Un URL corrisponde a un file — solo dataset:; folder: (elenco di directory) non è supportato via HTTP.
Pubblico, senza autenticazione.
I redirect vengono seguiti; https:// è consigliato.

Rilevamento del formato. Un URL con un'estensione riconosciuta (.csv, .xlsx, …) funziona senza altro — l'eventuale query string viene ignorata (.../sales.csv?token=…). Gli endpoint API spesso non hanno estensione, quindi il formato viene rilevato automaticamente, nell'ordine: l'ultimo segmento del percorso usato come token (.../HCL_NOGA/multiplelevels/CSV), un parametro di query ?format=, il Content-Type HTTP e infine lo sniffing dei primi byte del contenuto (best-effort, registrato con un avviso; saltato a depth: dataset). Quando nulla è conclusivo, l'esecuzione fallisce chiedendo di impostare format:.

Impostare format: esplicitamente per sovrascrivere il rilevamento (o per forzarlo quando i segnali sono discordanti). Salta inoltre la richiesta di rilevamento — un piccolo guadagno di velocità quando il formato è già noto, che si somma su molti endpoint della stessa API:

yaml

add:
  # CSV servito da un'API senza estensione nell'URL
  - dataset: https://www.i14y.admin.ch/api/Nomenclatures/HCL_NOGA/multiplelevels/CSV?language=fr
    format: csv
    id: noga_08
  # Excel servito da un endpoint ".../xls?SnapshotDate=..."
  - dataset: https://www.agvchapp.bfs.admin.ch/fr/state/results/xls?SnapshotDate=31.12.2025
    format: excel
    id: commune_district

I valori accettati per format: sono i formati di consegna (csv, excel, parquet, sas, spss, stata, geojson, shapefile, gml, kml, geotiff) oppure una grafia di estensione corrispondente (xlsx, xls, pq, …).

Un URL mancante (404, errore DNS, timeout) fa fallire l'esecuzione con un codice di uscita diverso da zero, esattamente come un file locale mancante — una build CI fallisce in rosso invece di pubblicare un catalogo troncato.
Le scansioni incrementali usano l'header Last-Modified del server: un URL viene saltato quando è invariato, e la sua data popola last_update_date. Un server che non invia Last-Modified (ad es. un endpoint dinamico) viene riscansionato a ogni esecuzione.

Singolo file remoto

yaml

add:
  - dataset: s3://my-bucket/data/sales.parquet
    storage_options:
      key: ${AWS_KEY}
      secret: ${AWS_SECRET}

Campionamento

Per impostazione predefinita, sample_size è 100000. Tutte le voci ereditano questo valore. È possibile sovrascriverlo per voce, o impostare null per disabilitarlo:

yaml

sample_size: 100000               # predefinito

add:
  - folder: ./data                # eredita 100000

  - folder: ./small
    sample_size: null             # nessun campionamento

  - database: postgresql://localhost/mydb
    sample_size: 50000            # override

Per disabilitare il campionamento a livello globale:

yaml

sample_size: null

Quando un dataset ha più righe di sample_size, per i conteggi delle frequenze e il rilevamento automatico delle enumerazioni viene usato un campione casuale uniforme. Tutte le altre statistiche (nb_row, nb_missing, nb_distinct, min, max, mean, std) vengono calcolate sull'intero dataset.

Impostare auto_enumerations: false per mantenere le tabelle di frequenza di depth: value senza creare entità enumerazione automatiche né collegamenti generati alle variabili. Utile quando le enumerazioni sono fornite manualmente tramite metadata_path. Come sample_size, può essere impostato a livello globale o per voce add.

Il numero effettivo di righe campionate viene registrato in Dataset.sample_size (null quando non è stato applicato alcun campionamento).

Anteprime dei dataset

Per impostazione predefinita, preview_rows è 100. Alle profondità stat e value, ogni dataset scansionato esporta fino a quel numero di righe in preview/<dataset_id>.json e preview/<dataset_id>.json.js. Queste righe provengono, quando possibile, da dati già letti durante la scansione, inclusi i campioni reservoir usati per il rilevamento delle frequenze.

Sovrascrivere il limite per singola sorgente di file, o impostare false per disabilitare le anteprime per una sorgente mantenendo il valore predefinito globale:

yaml

preview_rows: 100

add:
  - folder: ./data/public
    preview_rows: 50

  - dataset: ./data/private.csv
    preview_rows: false

Le anteprime sono dati raccolti in fase di scansione. Non vengono generate alle profondità dataset o variable, e i comandi di esportazione non hanno un override preview_rows separato.

Scansione dei file ​