> ## Content Index > Fetch the complete content index at: https://blog.nicedata.fr/llms.txt > Use this file to discover other available public pages before exploring further. # Microsoft Fabric : télécharger un fichier dans un Lakehouse avec run() - URL: https://blog.nicedata.fr/microsoft-fabric-telecharger-un-fichier-dans-un-lakehouse-avec-run/ - Published: 2026-10-28T16:30:00.000Z - Updated: 2026-10-28T16:30:00.000Z - Description: Déclenchons un notebook Fabric paramétré avec run() pour télécharger un fichier depuis GitHub et le déposer dans un Lakehouse. - Author: Jean-Laurent Ferralis - Tags: Plateformes Data, Orchestration, Automatisation, Industrialisation, Lakehouse, Microsoft Fabric, Python, Tutoriel, Orchestration de notebooks Fabric Série #### Organiser des notebooks Microsoft Fabric 1. Partager du code avec `%run` 2. **Télécharger un fichier dans un Lakehouse avec `run()`** Vous êtes ici 3. Charger plusieurs fichiers en parallèle avec `runMultiple()` 4. `%run`, `run()` ou `runMultiple()` : quel outil choisir ? Dans le premier article, nous avons préparé `nb_common` et utilisé `%run` pour récupérer ses constantes et ses petites fonctions dans `nb_main_prun`. Nous allons maintenant faire quelque chose d'un peu plus concret : télécharger le fichier `games.csv` depuis GitHub et le déposer dans le Lakehouse. Cette fois, nous n'allons pas injecter du code dans le notebook principal. Nous allons lancer un autre notebook comme un traitement, lui passer un paramètre et récupérer une information à la fin. C'est exactement le rôle de `notebookutils.notebook.run()`. ## Un notebook de traitement Créons d'abord un nouveau notebook nommé `nb_treatment_run`. Son rôle sera très simple : il reçoit le nom d'un dataset, télécharge le CSV correspondant et l'écrit dans le Lakehouse. Nous allons d'abord créer une cellule de paramètres : ```python dataset_name = "games" ``` Dans Fabric, ouvrez le menu **…** de cette cellule puis choisissez **Toggle parameter cell**. Les valeurs définies ici seront utilisées si nous exécutons directement le notebook. Elles pourront être remplacées lorsque le notebook sera appelé avec `run()`. ![](https://blog.nicedata.fr/content/images/2026/09/image-9.png) Une cellule de paramettre ## Réutiliser `nb_common` Le traitement a besoin de connaître l'URL du fichier et son chemin cible. Ces informations existent déjà dans `nb_common`, nous allons donc le charger : ```python %run nb_common ``` `nb_treatment_run` possède son propre contexte. Le fait que `nb_main_prun` ait utilisé `%run` dans le premier article ne lui transmet pas automatiquement les fonctions et les constantes. Chaque notebook qui en a besoin charge donc `nb_common` pour lui-même. ## Télécharger le fichier Ajoutons ensuite la cellule qui fait le traitement : ```python import os import requests dataset_config = get_dataset(dataset_name) target_file_path = f"/lakehouse/default/{dataset_config['target_path']}" os.makedirs(os.path.dirname(target_file_path), exist_ok=True) response = requests.get(dataset_config["source_url"]) with open(target_file_path, "wb") as target_file: target_file.write(response.content) log_info(f"Downloaded {dataset_name} to {dataset_config['target_path']}") ``` Le code est volontairement simple car l'objectif n'est pas sur celui-ci. nous allons donc dans l'ordre : 1. Retrouver l'URL GitHub et le chemin du fichier avec `get_dataset()` ; 2. Créer le dossier cible dans le Lakehouse ; 3. Télécharger le fichier ; 4. Ecrire le CSV au bon endroit. À ce stade, nous ne créons ni table Delta, ni DataFrame Spark, ni contrôle de qualité. Le but de cet article est uniquement de comprendre comment `run()` déclenche un traitement paramétré. ![](https://blog.nicedata.fr/content/images/2026/09/image-10.png) **Fichier* *`games.csv`* *visible dans* *`Files/bronze/retro-video-games`* *après l'exé*cution du traitement Attention, Il n'y a aucun contrôle d'erreur dasn ce code et le log n'est qu'un simple print qui affiche tout le temps le message d'info ! Dans un vrai notebook de production il faudrait évidement faire un test de réussite et afficher un log ou erreur en conséquence. ## Renvoyer un résultat Le notebook enfant peut renvoyer une chaîne au notebook qui l'appelle. Ici, le nom du dataset suffit : ```python notebookutils.notebook.exit(dataset_name) ``` Comme `%run`, `run()` référence le notebook par son nom dans le workspace. Mais les deux mécanismes ne font pas du tout la même chose : `run()` ne nous donne pas accès aux variables ou aux fonctions créées dans le notebook enfant. Il renvoit uniquement la valeur transmise à `exit()`. ## Appeler le traitement depuis `nb_main_run` Créons maintenant `nb_main_run`. Nous gardons `%run nb_common` dans une première cellule pour pouvoir utiliser `log_info()`. La seconde cellule lance le traitement : ```python result = notebookutils.notebook.run( "nb_treatment_run", 90, {"dataset_name": "games"}, ) log_info(f"Completed dataset: {result}") ``` Le `90` est le délai maximal, en secondes, accordé au traitement. Le dictionnaire contient les paramètres envoyés au notebook enfant. Ici, `dataset_name` remplace la valeur par défaut `"games"` de sa cellule de paramètres. Le résultat reçu dans `result` est la chaîne envoyée par `notebookutils.notebook.exit()`, donc simplement `games`. ![](https://blog.nicedata.fr/content/images/2026/09/image-11.png) Appel à `run()` dans `nb_main_run` avec sortie affichée ## En résumé `run()` est utile lorsque nous voulons lancer un notebook de traitement avec des paramètres. Le traitement s’exécute dans son propre contexte, écrit un fichier dans le Lakehouse, puis renvoie une valeur au notebook qui l’a appelé. Dans cet exemple, nous avons téléchargé un seul fichier. Pour en télécharger deux avec `run()`, il faudrait lancer deux appels, éventuellement dans une boucle pour simplifier le code. Les traitements s’exécuteraient alors l’un après l’autre. Dans le prochain article, nous réutiliserons exactement ce même `nb_treatment_run` pour télécharger `games.csv` et `platforms.csv` en parallèle avec `runMultiple()`.