Udostępnij za pośrednictwem


Uruchamianie pierwszego obciążenia ETL w usłudze Azure Databricks

Dowiedz się, jak używać narzędzi gotowych do produkcji z usługi Azure Databricks do tworzenia i wdrażania pierwszych potoków wyodrębniania, przekształcania i ładowania (ETL) na potrzeby orkiestracji danych.

Na końcu tego artykułu poczujesz się komfortowo:

  1. Uruchamianie uniwersalnego klastra obliczeniowego Databricks.
  2. Tworzenie notatnika Databricks.
  3. Konfigurowanie przyrostowego pobierania danych do Delta Lake za pomocą automatycznego modułu ładującego.
  4. Wykonywanie komórek notesu w celu przetwarzania, wykonywania zapytań i podglądu danych.
  5. Planowanie notesu jako zadania Databricks.

W tym samouczku są używane interaktywne notesy do wykonywania typowych zadań ETL w języku Python lub Scala.

Możesz również użyć biblioteki DLT do kompilowania potoków ETL. Databricks stworzył DLT, aby zmniejszyć złożoność tworzenia, wdrażania i utrzymania produkcyjnych potoków ETL. Zobacz Samouczek: Uruchom swój pierwszy pipeline DLT.

Możesz również użyć Databricks Terraform provider, aby utworzyć zasoby tego artykułu. Zobacz Tworzenie klastrów, notesów i zadań za pomocą programu Terraform.

Wymagania

Uwaga

Jeśli nie masz uprawnień kontroli klastra, możesz wykonać większość poniższych kroków, o ile masz dostęp do klastra.

Krok 1. Tworzenie klastra

Aby wykonać eksploracyjne analizy danych i inżynierii danych, utwórz klaster w celu udostępnienia zasobów obliczeniowych potrzebnych do wykonywania poleceń.

  1. Kliknij ikonę obliczeńOblicz na pasku bocznym.
  2. Na stronie Obliczenia kliknij pozycję Utwórz klaster. Spowoduje to otwarcie strony Nowy klaster.
  3. Określ unikatową nazwę klastra, pozostaw pozostałe wartości w stanie domyślnym, a następnie kliknij Utwórz klaster.

Aby dowiedzieć się więcej o klastrach usługi Databricks, zobacz Compute.

Krok 2: Utwórz notatnik Databricks

Aby utworzyć notes w obszarze roboczym, kliknij pozycję Nowa ikonaNowy na pasku bocznym, a następnie kliknij przycisk Notes. W obszarze roboczym otwiera się pusty notes.

Aby dowiedzieć się więcej na temat tworzenia notesów i zarządzania nimi, zobacz Zarządzanie notesami.

Krok 3. Konfigurowanie automatycznego modułu ładującego w celu pozyskiwania danych do usługi Delta Lake

Databricks zaleca używanie Auto Loader do przyrostowego pozyskiwania danych. Auto Loader automatycznie wykrywa i przetwarza nowe pliki w miarę ich przybycia do magazynu obiektów w chmurze.

Usługa Databricks zaleca przechowywanie danych za pomocą usługi Delta Lake. Delta Lake to open source warstwa magazynowa, która zapewnia transakcje ACID i umożliwia tworzenie magazynu danych typu lakehouse. Usługa Delta Lake jest domyślnym formatem tabel utworzonych w usłudze Databricks.

Aby skonfigurować moduł automatycznego ładowania w celu pozyskiwania danych do tabeli usługi Delta Lake, skopiuj i wklej następujący kod do pustej komórki w notesie:

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)

Uwaga

Zmienne zdefiniowane w tym kodzie powinny umożliwić bezpieczne wykonywanie go bez ryzyka konfliktu z istniejącymi elementami zawartości obszaru roboczego lub innymi użytkownikami. Ograniczone uprawnienia sieci lub przechowywania danych będą powodować błędy podczas wykonywania tego kodu; skontaktuj się z administratorem obszaru roboczego, aby usunąć te ograniczenia.

Aby dowiedzieć się więcej na temat automatycznego modułu ładującego, zobacz Co to jest moduł automatycznego ładowania?.

Krok 4. Przetwarzanie i interakcja z danymi

Notatniki wykonują kod komórka po komórce. Aby uruchomić funkcję logiczną w komórce:

  1. Aby uruchomić komórkę ukończoną w poprzednim kroku, wybierz komórkę i naciśnij SHIFT+ENTER.

  2. Aby wykonać zapytanie dotyczące utworzonej tabeli, skopiuj i wklej następujący kod do pustej komórki, a następnie naciśnij shift+ENTER, aby uruchomić komórkę.

    Python

    df = spark.read.table(table_name)
    

    Scala

    val df = spark.read.table(table_name)
    
  3. Aby wyświetlić podgląd danych w ramce danych, skopiuj i wklej następujący kod do pustej komórki, a następnie naciśnij SHIFT+ENTER , aby uruchomić komórkę.

    Python

    display(df)
    

    Scala

    display(df)
    

Aby dowiedzieć się więcej na temat interaktywnych opcji wizualizacji danych, zobacz Wizualizacje w notesach usługi Databricks.

Krok 5. Planowanie zadania

Notesy usługi Databricks można uruchamiać jako skrypty produkcyjne, dodając je jako zadanie w zadaniu usługi Databricks. W tym kroku utworzysz nowe zadanie, które można wyzwolić ręcznie.

Aby zaplanować notes jako zadanie:

  1. Kliknij pozycję Harmonogram po prawej stronie paska nagłówka.
  2. Wprowadź unikatową nazwę zadania.
  3. Kliknij pozycję Ręczne.
  4. Z listy rozwijanej Klaster wybierz klaster utworzony w kroku 1.
  5. Kliknij pozycję Utwórz.
  6. W wyświetlonym oknie kliknij pozycję Uruchom teraz.
  7. Aby wyświetlić wyniki uruchomienia zadania, kliknij ikonę Łącze zewnętrzne obok znacznika czasu ostatniego uruchomienia .

Aby uzyskać więcej informacji na temat zadań, zobacz Co to są zadania?.

Dodatkowe integracje

Dowiedz się więcej na temat integracji i narzędzi do inżynierii danych za pomocą usługi Azure Databricks: