Tworzenie klastrów, notesów i zadań za pomocą programu Terraform
W tym artykule pokazano, jak za pomocą dostawcy narzędzia Terraform usługi Databricks utworzyć klaster, notes i zadanie w istniejącym obszarze roboczym usługi Azure Databricks.
Ten artykuł jest uzupełnieniem następujących artykułów wprowadzających do usługi Azure Databricks:
Samouczek: uruchamianie kompleksowego potoku analizy typu lakehouse, który używa klastra, który współpracuje z katalogiem aparatu Unity, notesem języka Python i zadaniem uruchamiania notesu.
Szybki start: uruchamianie zadania spark w obszarze roboczym usługi Azure Databricks przy użyciu witryny Azure Portal, która używa klastra ogólnego przeznaczenia i notesu języka Python.
Konfiguracje programu Terraform można również dostosować w tym artykule, aby tworzyć niestandardowe klastry, notesy i zadania w obszarach roboczych.
Krok 1. Tworzenie i konfigurowanie projektu Terraform
Utwórz projekt terraform, postępując zgodnie z instrukcjami w sekcji Wymagania artykułu Omówienie dostawcy narzędzia Terraform usługi Databricks.
Aby utworzyć klaster, utwórz plik o nazwie
cluster.tf
i dodaj następującą zawartość do pliku. Ta zawartość tworzy klaster z najmniejszą dozwoloną ilością zasobów. Ten klaster korzysta z najnowszej wersji środowiska Databricks Runtime Long Term Support (LTS).W przypadku klastra, który współpracuje z wykazem aparatu Unity:
variable "cluster_name" {} variable "cluster_autotermination_minutes" {} variable "cluster_num_workers" {} variable "cluster_data_security_mode" {} # Create the cluster with the "smallest" amount # of resources allowed. data "databricks_node_type" "smallest" { local_disk = true } # Use the latest Databricks Runtime # Long Term Support (LTS) version. data "databricks_spark_version" "latest_lts" { long_term_support = true } resource "databricks_cluster" "this" { cluster_name = var.cluster_name node_type_id = data.databricks_node_type.smallest.id spark_version = data.databricks_spark_version.latest_lts.id autotermination_minutes = var.cluster_autotermination_minutes num_workers = var.cluster_num_workers data_security_mode = var.cluster_data_security_mode } output "cluster_url" { value = databricks_cluster.this.url }
W przypadku klastra ogólnego przeznaczenia:
variable "cluster_name" { description = "A name for the cluster." type = string default = "My Cluster" } variable "cluster_autotermination_minutes" { description = "How many minutes before automatically terminating due to inactivity." type = number default = 60 } variable "cluster_num_workers" { description = "The number of workers." type = number default = 1 } # Create the cluster with the "smallest" amount # of resources allowed. data "databricks_node_type" "smallest" { local_disk = true } # Use the latest Databricks Runtime # Long Term Support (LTS) version. data "databricks_spark_version" "latest_lts" { long_term_support = true } resource "databricks_cluster" "this" { cluster_name = var.cluster_name node_type_id = data.databricks_node_type.smallest.id spark_version = data.databricks_spark_version.latest_lts.id autotermination_minutes = var.cluster_autotermination_minutes num_workers = var.cluster_num_workers } output "cluster_url" { value = databricks_cluster.this.url }
Aby utworzyć klaster, utwórz inny plik o nazwie
cluster.auto.tfvars
i dodaj następującą zawartość do pliku. Ten plik zawiera wartości zmiennych do dostosowywania klastra. Zastąp wartości symboli zastępczych własnymi wartościami.W przypadku klastra, który współpracuje z wykazem aparatu Unity:
cluster_name = "My Cluster" cluster_autotermination_minutes = 60 cluster_num_workers = 1 cluster_data_security_mode = "SINGLE_USER"
W przypadku klastra ogólnego przeznaczenia:
cluster_name = "My Cluster" cluster_autotermination_minutes = 60 cluster_num_workers = 1
Aby utworzyć notes, utwórz inny plik o nazwie
notebook.tf
i dodaj następującą zawartość do pliku:variable "notebook_subdirectory" { description = "A name for the subdirectory to store the notebook." type = string default = "Terraform" } variable "notebook_filename" { description = "The notebook's filename." type = string } variable "notebook_language" { description = "The language of the notebook." type = string } resource "databricks_notebook" "this" { path = "${data.databricks_current_user.me.home}/${var.notebook_subdirectory}/${var.notebook_filename}" language = var.notebook_language source = "./${var.notebook_filename}" } output "notebook_url" { value = databricks_notebook.this.url }
Jeśli tworzysz klaster, zapisz następujący kod notesu w pliku w tym samym katalogu co
notebook.tf
plik:Notes języka Python dla samouczka: uruchamianie kompleksowego potoku analizy typu lakehouse o nazwie o następującej
notebook-getting-started-lakehouse-e2e.py
zawartości:# Databricks notebook source external_location = "<your_external_location>" catalog = "<your_catalog>" dbutils.fs.put(f"{external_location}/foobar.txt", "Hello world!", True) display(dbutils.fs.head(f"{external_location}/foobar.txt")) dbutils.fs.rm(f"{external_location}/foobar.txt") display(spark.sql(f"SHOW SCHEMAS IN {catalog}")) # COMMAND ---------- from pyspark.sql.functions import col # Set parameters for isolation in workspace and reset demo username = spark.sql("SELECT regexp_replace(current_user(), '[^a-zA-Z0-9]', '_')").first()[0] database = f"{catalog}.e2e_lakehouse_{username}_db" source = f"{external_location}/e2e-lakehouse-source" table = f"{database}.target_table" checkpoint_path = f"{external_location}/_checkpoint/e2e-lakehouse-demo" spark.sql(f"SET c.username='{username}'") spark.sql(f"SET c.database={database}") spark.sql(f"SET c.source='{source}'") spark.sql("DROP DATABASE IF EXISTS ${c.database} CASCADE") spark.sql("CREATE DATABASE ${c.database}") spark.sql("USE ${c.database}") # Clear out data from previous demo execution dbutils.fs.rm(source, True) dbutils.fs.rm(checkpoint_path, True) # Define a class to load batches of data to source class LoadData: def __init__(self, source): self.source = source def get_date(self): try: df = spark.read.format("json").load(source) except: return "2016-01-01" batch_date = df.selectExpr("max(distinct(date(tpep_pickup_datetime))) + 1 day").first()[0] if batch_date.month == 3: raise Exception("Source data exhausted") return batch_date def get_batch(self, batch_date): return ( spark.table("samples.nyctaxi.trips") .filter(col("tpep_pickup_datetime").cast("date") == batch_date) ) def write_batch(self, batch): batch.write.format("json").mode("append").save(self.source) def land_batch(self): batch_date = self.get_date() batch = self.get_batch(batch_date) self.write_batch(batch) RawData = LoadData(source) # COMMAND ---------- RawData.land_batch() # COMMAND ---------- # Import functions from pyspark.sql.functions import col, current_timestamp # 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) .option("mergeSchema", "true") .toTable(table)) # COMMAND ---------- df = spark.read.table(table_name) # COMMAND ---------- display(df)
Notes języka Python dla przewodnika Szybki start: uruchamianie zadania spark w obszarze roboczym usługi Azure Databricks przy użyciu witryny Azure Portal, pliku o nazwie
notebook-quickstart-create-databricks-workspace-portal.py
z następującą zawartością:# Databricks notebook source blob_account_name = "azureopendatastorage" blob_container_name = "citydatacontainer" blob_relative_path = "Safety/Release/city=Seattle" blob_sas_token = r"" # COMMAND ---------- wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name,blob_relative_path) spark.conf.set('fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name), blob_sas_token) print('Remote blob path: ' + wasbs_path) # COMMAND ---------- df = spark.read.parquet(wasbs_path) print('Register the DataFrame as a SQL temporary view: source') df.createOrReplaceTempView('source') # COMMAND ---------- print('Displaying top 10 rows: ') display(spark.sql('SELECT * FROM source LIMIT 10'))
Jeśli tworzysz notes, utwórz inny plik o nazwie
notebook.auto.tfvars
i dodaj następującą zawartość do pliku. Ten plik zawiera wartości zmiennych do dostosowywania konfiguracji notesu.Notes języka Python dla samouczka: uruchamianie kompleksowego potoku analizy typu lakehouse:
notebook_subdirectory = "Terraform" notebook_filename = "notebook-getting-started-lakehouse-e2e.py" notebook_language = "PYTHON"
Notes języka Python dla przewodnika Szybki start: uruchamianie zadania Spark w obszarze roboczym usługi Azure Databricks przy użyciu witryny Azure Portal:
notebook_subdirectory = "Terraform" notebook_filename = "notebook-quickstart-create-databricks-workspace-portal.py" notebook_language = "PYTHON"
Jeśli tworzysz notes, w obszarze roboczym usługi Azure Databricks upewnij się, że skonfigurować wszystkie wymagania dotyczące notesu do pomyślnego uruchomienia, korzystając z poniższych instrukcji:
- Notes języka Python na potrzeby samouczka: uruchamianie kompleksowego potoku analizy typu lakehouse
- Notes języka Python dla przewodnika Szybki start: uruchamianie zadania spark w obszarze roboczym usługi Azure Databricks przy użyciu witryny Azure Portal
Aby utworzyć zadanie, utwórz kolejny plik o nazwie
job.tf
i dodaj następującą zawartość do pliku. Ta zawartość tworzy zadanie uruchamiania notesu.variable "job_name" { description = "A name for the job." type = string default = "My Job" } variable "task_key" { description = "A name for the task." type = string default = "my_task" } resource "databricks_job" "this" { name = var.job_name task { task_key = var.task_key existing_cluster_id = databricks_cluster.this.cluster_id notebook_task { notebook_path = databricks_notebook.this.path } } email_notifications { on_success = [ data.databricks_current_user.me.user_name ] on_failure = [ data.databricks_current_user.me.user_name ] } } output "job_url" { value = databricks_job.this.url }
Jeśli tworzysz zadanie, utwórz inny plik o nazwie
job.auto.tfvars
i dodaj następującą zawartość do pliku. Ten plik zawiera wartość zmiennej do dostosowywania konfiguracji zadania.job_name = "My Job" task_key = "my_task"
Krok 2. Uruchamianie konfiguracji
W tym kroku uruchomisz konfiguracje programu Terraform, aby wdrożyć klaster, notes i zadanie w obszarze roboczym usługi Azure Databricks.
Sprawdź, czy konfiguracje programu Terraform są prawidłowe, uruchamiając
terraform validate
polecenie . Jeśli zostaną zgłoszone jakiekolwiek błędy, napraw je i ponownie uruchom polecenie.terraform validate
Sprawdź, co narzędzie Terraform zrobi w obszarze roboczym, zanim narzędzie Terraform rzeczywiście to zrobi, uruchamiając
terraform plan
polecenie .terraform plan
Wdróż klaster, notes i zadanie w obszarze roboczym, uruchamiając
terraform apply
polecenie . Po wyświetleniu monitu o wdrożenie wpiszyes
i naciśnij Enter.terraform apply
Narzędzie Terraform wdraża zasoby określone w projekcie. Wdrażanie tych zasobów (zwłaszcza klastra) może potrwać kilka minut.
Krok 3. Eksplorowanie wyników
Jeśli utworzono klaster, w danych wyjściowych
terraform apply
polecenia skopiuj link obokcluster_url
, a następnie wklej go na pasku adresu przeglądarki internetowej.Jeśli utworzono notes, w danych wyjściowych
terraform apply
polecenia skopiuj link oboknotebook_url
, a następnie wklej go na pasku adresu przeglądarki internetowej.Uwaga
Przed użyciem notesu może być konieczne dostosowanie jego zawartości. Zapoznaj się z powiązaną dokumentacją dotyczącą dostosowywania notesu.
Jeśli utworzono zadanie, w danych wyjściowych
terraform apply
polecenia skopiuj link obokjob_url
, a następnie wklej go na pasku adresu przeglądarki internetowej.Uwaga
Przed uruchomieniem notesu może być konieczne dostosowanie jego zawartości. Zapoznaj się z linkami na początku tego artykułu, aby uzyskać powiązaną dokumentację dotyczącą dostosowywania notesu.
Jeśli utworzono zadanie, uruchom zadanie w następujący sposób:
- Kliknij pozycję Uruchom teraz na stronie zadania.
- Po zakończeniu działania zadania, aby wyświetlić wyniki przebiegu zadania, na liście Ukończone przebiegi (ostatnie 60 dni) na stronie zadania kliknij ostatni wpis czasu w kolumnie Godzina rozpoczęcia. W okienku Dane wyjściowe zostanie wyświetlony wynik uruchomienia kodu notesu.
Krok 4. Czyszczenie
W tym kroku usuniesz poprzednie zasoby z obszaru roboczego.
Sprawdź, co narzędzie Terraform zrobi w obszarze roboczym, zanim narzędzie Terraform rzeczywiście to zrobi, uruchamiając
terraform plan
polecenie .terraform plan
Usuń klaster, notes i zadanie z obszaru roboczego, uruchamiając
terraform destroy
polecenie . Po wyświetleniu monitu o usunięcie wpiszyes
i naciśnij Enter.terraform destroy
Narzędzie Terraform usuwa zasoby określone w projekcie.