Azure Databricks で最初の ETL ワークロードを実行する

[アーティクル]
10/10/2024

Azure Databricks の運用環境向けのツールを使用して、データオーケストレーション用の最初の抽出、変換、読み込み (ETL) パイプラインを開発してデプロイする方法について説明します。

この記事を読み終えるころには、次のような作業が快適に感じることでしょう。

Databricks の汎用コンピューティングクラスターを起動する。
Databricks ノートブックを作成する。
自動ローダーを使用して Delta Lake への増分データインジェストを構成する。
ノートブックセルを実行してデータを処理、照会、プレビューする。
ノートブックを Databricks ジョブとしてスケジュールする。

このチュートリアルでは、対話型ノートブックを使用して Python または Scala から一般的な ETL タスクを実行します。

Delta Live Tables を使用して ETL パイプラインを構築することもできます。 Databricks は、運用 ETL パイプラインの構築、デプロイ、保守の複雑さを軽減するために Delta Live Tables を作成しました。「チュートリアル: 最初の Delta Live Tables パイプラインを実行する」を参照してください。

Databricks Terraform プロバイダーを使用して、この記事のリソースを作成することもできます。「Terraform を使用してクラスター、ノートブック、ジョブを作成する」を参照してください。

必要条件

Azure Databricks ワークスペースにログインしています。
クラスターを作成するためのアクセス許可があります。

Note

以降の手順の大半は、クラスターの制御権限がなくても、クラスターへのアクセス権があれば実行できます。

手順 1: クラスターを作成する

探索的データ分析やデータエンジニアリングを行うには、コマンドの実行に必要なコンピューティングリソースを提供するクラスターを作成します。

サイドバーで [コンピューティング] をクリックします。
[コンピューティング] ページの [クラスターの作成] をクリックします。 [新しいクラスター] ページが表示されます。
クラスターの一意の名前を指定し、残りの値を既定の状態のままにして、[クラスターの作成] をクリックします。

Databricks クラスターの詳細については、「コンピューティング」を参照してください。

手順 2: Databricks ノートブックを作成する

ワークスペースにノートブックを作成するには、サイドバーの [新規] をクリックしてから、[ノートブック] をクリックします。ワークスペースに空のノートブックが開きます。

ノートブックの作成と管理について詳しくは、「Notebooks を管理する」を参照してください。

手順 3: Delta Lake にデータを取り込むように自動ローダーを構成する

Databricks では、自動ローダーを使用した増分データインジェストが推奨されています。自動ローダーは、クラウドオブジェクトストレージに到着した新しいファイルを自動的に検出して処理します。

Databricks はデータの格納に Delta Lake を使用することを推奨しています。 Delta Lake はオープンソースのストレージレイヤーです。ACID トランザクションを備え、データレイクハウスを実現します。 Databricks に作成されるテーブルの既定の形式は Delta Lake です。

Delta Lake テーブルにデータを取り込むように自動ローダーを構成するには、次のコードをコピーして、ノートブックの空のセルに貼り付けます。

Python

# Import functions
from pyspark.sql.functions import col, current_timestamp

# Define variables used in code below
file_path = "/databricks-datasets/structured-streaming/events"
username = spark.sql("SELECT regexp_replace(current_user(), '[^a-zA-Z0-9]', '_')").first()[0]
table_name = f"{username}_etl_quickstart"
checkpoint_path = f"/tmp/{username}/_checkpoint/etl_quickstart"

# Clear out data from previous demo execution
spark.sql(f"DROP TABLE IF EXISTS {table_name}")
dbutils.fs.rm(checkpoint_path, True)

# Configure Auto Loader to ingest JSON data to a Delta table
(spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "json")
  .option("cloudFiles.schemaLocation", checkpoint_path)
  .load(file_path)
  .select("*", col("_metadata.file_path").alias("source_file"), current_timestamp().alias("processing_time"))
  .writeStream
  .option("checkpointLocation", checkpoint_path)
  .trigger(availableNow=True)
  .toTable(table_name))

Scala

// Imports
import org.apache.spark.sql.functions.current_timestamp
import org.apache.spark.sql.streaming.Trigger
import spark.implicits._

// Define variables used in code below
val file_path = "/databricks-datasets/structured-streaming/events"
val username = spark.sql("SELECT regexp_replace(current_user(), '[^a-zA-Z0-9]', '_')").first.get(0)
val table_name = s"${username}_etl_quickstart"
val checkpoint_path = s"/tmp/${username}/_checkpoint"

// Clear out data from previous demo execution
spark.sql(s"DROP TABLE IF EXISTS ${table_name}")
dbutils.fs.rm(checkpoint_path, true)

// Configure Auto Loader to ingest JSON data to a Delta table
spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "json")
  .option("cloudFiles.schemaLocation", checkpoint_path)
  .load(file_path)
  .select($"*", $"_metadata.file_path".as("source_file"), current_timestamp.as("processing_time"))
  .writeStream
  .option("checkpointLocation", checkpoint_path)
  .trigger(Trigger.AvailableNow)
  .toTable(table_name)

注意

このコードで定義されている変数を使用すれば、既存のワークスペース資産や他のユーザーと競合することなく安全にコードを実行できます。ネットワークまたはストレージのアクセス許可が制限されている場合は、このコードを実行するとエラーが発生します。ワークスペース管理者に連絡して、それらの制限のトラブルシューティングを行ってください。

自動ローダーの詳細については、「自動ローダー」を参照してください。

手順 4: データを処理して対話的に操作する

ノートブックでは、ロジックがセル単位で実行されます。セル内のロジックを実行するには:

前の手順で完成したセルを実行するために、そのセルを選択し、Shift + Enter キーを押します。
作成されたテーブルに対してクエリを実行するために、以下のコードをコピーして空のセルに貼り付け、Shift + Enter キーを押してセルを実行します。

Python
```
df = spark.read.table(table_name)
```
Scala
```
val df = spark.read.table(table_name)
```
DataFrame 内のデータをプレビューするために、以下のコードをコピーして空のセルに貼り付け、Shift + Enter キーを押してセルを実行します。

Python
```
display(df)
```
Scala
```
display(df)
```

データを対話的に視覚化する方法について詳しくは、「Databricks ノートブックでの視覚化」を参照してください。

手順 5: ジョブをスケジュールする

Databricks ノートブックを運用スクリプトとして実行するには、それらをタスクとして Databricks ジョブに追加します。この手順では、手動でトリガーできる新しいジョブを作成します。

ノートブックをタスクとしてスケジュールするには:

ヘッダーバーの右側にある [スケジュール] をクリックします。
[ジョブ名] に一意の名前を入力します。
[手動] をクリックします。
[クラスター] ボックスの一覧から、手順 1. で作成したクラスターを選択します。
[作成] をクリックします。
表示されたウィンドウで、[今すぐ実行] をクリックします。
ジョブの実行結果を確認するには、前回実行タイムスタンプの横にあるアイコンをクリックします。

ジョブの詳細については、「Databricks ジョブとは」を参照してください。

その他の統合

Azure Databricks を使用したデータエンジニアリングのための統合とツールについては、以下の記事を参照してください。

次の方法で共有

Azure Databricks で最初の ETL ワークロードを実行する

必要条件

手順 1: クラスターを作成する

手順 2: Databricks ノートブックを作成する

手順 3: Delta Lake にデータを取り込むように自動ローダーを構成する

Python

Scala

手順 4: データを処理して対話的に操作する

Python

Scala

Python

Scala

手順 5: ジョブをスケジュールする

その他の統合

フィードバック

その他のリソース