Udostępnij za pośrednictwem


Samouczek: uruchamianie kompleksowego potoku analizy typu lakehouse

W tym samouczku przedstawiono sposób konfigurowania całościowego potoku analitycznego dla platformy Azure Databricks Lakehouse.

Ważne

W tym samouczku używa się interaktywnych notesów do wykonywania typowych zadań ETL w języku Python w klastrach z włączonym Unity Catalog. Jeśli nie używasz Unity Catalog, zobacz Uruchom swoje pierwsze obciążenie ETL w usłudze Azure Databricks.

Zadania w tym samouczku

Na końcu tego artykułu poczujesz się komfortowo:

  1. uruchamianie klastra obliczeniowego z włączonym katalogiem Unity.
  2. Tworzenie notesu usługi Databricks.
  3. Zapisywanie i odczytywanie danych z zewnętrznej lokalizacji Unity Catalog.
  4. Konfigurowanie przyrostowego ładowania danych do tabeli Unity Catalog za pomocą Auto Loader.
  5. Wykonywanie komórek notesu w celu przetwarzania, wykonywania zapytań i podglądu danych.
  6. Planowanie notesu jako zadania usługi Databricks.
  7. wykonywanie zapytań w tabelach katalogu Unity z Databricks SQL

Usługa Azure Databricks udostępnia zestaw narzędzi gotowych do produkcji, które umożliwiają specjalistom ds. danych szybkie opracowywanie i wdrażanie potoków wyodrębniania, przekształcania i ładowania (ETL). Katalog Unity umożliwia stewardom danych konfigurowanie i zabezpieczanie poświadczeń magazynowania, lokalizacji zewnętrznych i obiektów bazy danych dla użytkowników w całej organizacji. Usługa Databricks SQL umożliwia analitykom uruchamianie zapytań SQL względem tych samych tabel używanych w produkcyjnych obciążeniach ETL, co umożliwia analizę biznesową w czasie rzeczywistym na dużą skalę.

Do tworzenia potoków ETL można również użyć Delta Live Tables. Databricks stworzył Delta Live Tables, aby zmniejszyć złożoność tworzenia, wdrażania i utrzymania produkcyjnych potoków ETL. Zobacz Samouczek : Uruchamianie pierwszego potoku Delta Live Tables.

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 pozycję ikona obliczeniowaObliczenia na pasku bocznym.
  2. Kliknij pozycję Nowa ikonaNowy na pasku bocznym, a następnie wybierz pozycję Cluster. Spowoduje to otwarcie strony Nowy klaster/obliczenia.
  3. Określ unikatową nazwę klastra.
  4. Wybierz przycisk radiowy "Pojedynczy węzeł" .
  5. Wybierz pojedynczego użytkownika z listy rozwijanej trybu dostępu .
  6. Upewnij się, że twój adres e-mail jest widoczny w polu Pojedynczy użytkownik .
  7. Wybierz żądaną wersję środowiska Databricks, 11.1 lub nowszą, aby użyć Unity Catalogu.
  8. Kliknij pozycję Utwórz zasoby obliczeniowe , aby utworzyć klaster.

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

Krok 2. Tworzenie notesu usługi Databricks

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

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

Krok 3: Zapisywanie i odczytywanie danych z zewnętrznej lokalizacji zarządzanej przez Unity Catalog

Usługa Databricks zaleca używanie automatycznego modułu ładującego do pozyskiwania danych przyrostowych. Automatycznie moduł ładujący automatycznie wykrywa i przetwarza nowe pliki w miarę ich przybycia do magazynu obiektów w chmurze.

Użyj Unity Catalog, aby zarządzać bezpiecznym dostępem do lokalizacji zewnętrznych. Użytkownicy lub jednostki usługi z uprawnieniami READ FILES do lokalizacji zewnętrznej mogą używać automatycznego modułu ładującego do pozyskiwania danych.

Zwykle dane docierają do lokalizacji zewnętrznej ze względu na zapisy z innych systemów. W tym pokazie można symulować przybycie danych, zapisując pliki JSON w lokalizacji zewnętrznej.

Skopiuj poniższy kod do komórki notesu. Zastąp wartość ciągu catalog nazwą katalogu z uprawnieniami CREATE CATALOG i USE CATALOG. Zastąp wartość external_location ciągu ścieżką lokalizacji zewnętrznej , READ FILESWRITE FILESi CREATE EXTERNAL TABLE uprawnieniami.

Lokalizacje zewnętrzne można zdefiniować jako cały kontener magazynu, ale często wskazują katalog zagnieżdżony w kontenerze.

Poprawny format ścieżki lokalizacji zewnętrznej to "abfss://container_name@storage_account.dfs.core.windows.net/path/to/external_location".


 external_location = "<your-external-location>"
 catalog = "<your-catalog>"

 dbutils.fs.put(f"{external_location}/filename.txt", "Hello world!", True)
 display(dbutils.fs.head(f"{external_location}/filename.txt"))
 dbutils.fs.rm(f"{external_location}/filename.txt")

 display(spark.sql(f"SHOW SCHEMAS IN {catalog}"))

Wykonanie tej komórki powinno wyświetlić wiersz odczytujący 12 bajtów, wydrukować ciąg "Hello world!" i wyświetlić wszystkie bazy danych obecne w podanym wykazie. Jeśli nie możesz uruchomić tej komórki, upewnij się, że jesteś w obszarze roboczym z włączonym Unity Catalog i poproś o odpowiednie uprawnienia od administratora obszaru roboczego, żeby zakończyć ten samouczek.

Poniższy kod w języku Python używa twojego adresu e-mail do utworzenia unikatowej bazy danych w podanym wykazie i unikatowej lokalizacji przechowywania w podanej lokalizacji zewnętrznej. Wykonanie tej komórki spowoduje usunięcie wszystkich danych powiązanych z tym samouczkiem, co pozwoli na wielokrotne wykonanie tego przykładu w sposób niezmienny. Klasa jest zdefiniowana i utworzona przy użyciu funkcji symulacji partii danych przychodzących z połączonego systemu do lokalizacji zewnętrznej źródła.

Skopiuj ten kod do nowej komórki w notesie i wykonaj go w celu skonfigurowania środowiska.

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 magazynu będą zgłaszać błędy podczas wykonywania tego kodu; skontaktuj się z administratorem obszaru roboczego, aby rozwiązać te ograniczenia.


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)

Teraz możesz umieścić partię danych, kopiując następujący kod do komórki i wykonując go. Możesz ręcznie wykonać tę komórkę maksymalnie 60 razy, aby wyzwolić nowe dane przybycia.

RawData.land_batch()

Krok 4. Skonfiguruj Auto Loader, aby pozyskiwać dane do Unity Catalog

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

Aby skonfigurować Auto Loader do wczytywania danych do tabeli Unity Catalog, skopiuj i wklej następujący kod do pustej komórki w notatniku:

# 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(source)
  .select("*", col("_metadata.source").alias("source_file"), current_timestamp().alias("processing_time"))
  .writeStream
  .option("checkpointLocation", checkpoint_path)
  .trigger(availableNow=True)
  .option("mergeSchema", "true")
  .toTable(table))

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

Aby dowiedzieć się więcej na temat strumieniowania z użyciem struktur i Unity Catalog, zobacz sekcję Using Unity Catalog with Structured Streaming.

Krok 5. Przetwarzanie danych i interakcja z nimi

Notesy wykonują komórkę logiki po komórce. Wykonaj następujące kroki, aby wykonać logikę 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.

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

    display(df)
    

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

Krok 6. 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?.

Krok 7. Wykonywanie zapytań dotyczących tabeli z usługi Databricks SQL

Każda osoba mająca uprawnienia USE CATALOG w bieżącym katalogu, uprawnienie USE SCHEMA w bieżącym schemacie i uprawnienia SELECT do tabeli może wykonywać zapytania o zawartość tabeli za pomocą swojego preferowanego interfejsu API Databricks.

Do wykonywania zapytań w usłudze Databricks SQL SQL jest potrzebny dostęp do uruchomionego magazynu SQL.

Tabela utworzona wcześniej w tym samouczku ma nazwę target_table. Możesz użyć katalogu podanego w pierwszej komórce oraz bazy danych z wzorem e2e_lakehouse_<your-username>do wykonania zapytania. Aby znaleźć utworzone obiekty danych, możesz użyć Catalog Explorer.

Dodatkowe integracje

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