Transformação com o Azure Databricks

APLICA-SE A: Azure Data Factory Azure Synapse Analytics

Dica

Experimente o Data Factory no Microsoft Fabric, uma solução de análise tudo-em-um para empresas. O Microsoft Fabric abrange desde movimentação de dados até ciência de dados, análise em tempo real, business intelligence e relatórios. Saiba como iniciar uma avaliação gratuita!

Neste tutorial, você criará um pipeline de ponta a ponta que contém as atividades Validação, Copiar dados e Notebook no Azure Data Factory.

• A atividade Validação garante que o conjunto de dados de origem esteja pronto para o consumo downstream antes de você disparar o trabalho de cópia e de análise.

• A atividade Copiar dados duplica o conjunto de dados de origem para o armazenamento do coletor, que é montado como um DBFS no notebook do Azure Databricks. Dessa forma, o conjunto de dados pode ser diretamente consumido pelo Spark.

• A atividade Notebook dispara o notebook do Databricks que transforma o conjunto de dados. Ela também adiciona o conjunto de dados a uma pasta processada ou ao Synapse Analytics.

Para simplificar, o modelo deste tutorial não cria um gatilho agendado. Você pode adicionar um, se necessário.

Pré-requisitos

• Uma conta do Armazenamento de Blobs do Azure com um contêiner chamado sinkdata para uso como coletor.

  Anote o nome da conta de armazenamento, o nome do contêiner e a chave de acesso. Você precisará desses valores mais adiante no modelo.

• Um workspace do Azure Databricks.

Importar um notebook para transformação

Para importar um notebook de Transformação para seu workspace do Databricks:

1. Entre no seu workspace do Azure Databricks e selecione Importar. O caminho do espaço de trabalho pode ser diferente do que é mostrado, mas lembre-se dele para uso posterior.

2. Selecione Importar de: URL. Na caixa de texto, insira https://adflabstaging1.blob.core.windows.net/share/Transformations.html.

   

3. Agora, vamos atualizar o notebook de Transformação com as informações de conexão de armazenamento.

   No notebook importado, acesse o comando 5, conforme mostrado no snippet de código a seguir.

   • Substitua <storage name> e <access key> por informações de conexão de armazenamento próprias.
   • Use a conta de armazenamento com o contêiner sinkdata.

   # Supply storageName and accessKey values  
   storageName = "<storage name>"  
   accessKey = "<access key>"  
   
   try:  
     dbutils.fs.mount(  
       source = "wasbs://sinkdata\@"+storageName+".blob.core.windows.net/",  
       mount_point = "/mnt/Data Factorydata",  
       extra_configs = {"fs.azure.account.key."+storageName+".blob.core.windows.net": accessKey})  
   
   except Exception as e:  
     # The error message has a long stack track. This code tries to print just the relevant line indicating what failed.
   
   import re
   result = re.findall(r"\^\s\*Caused by:\s*\S+:\s\*(.*)\$", e.message, flags=re.MULTILINE)
   if result:
     print result[-1] \# Print only the relevant error message
   else:  
     print e \# Otherwise print the whole stack trace.  
   

4. Gere um token de acesso do Databricks para o Data Factory acessá-lo.

   1. No workspace do Databricks, selecione o ícone do seu perfil de usuário no canto superior direito.
   2. Selecione Configurações de Usuário.
   3. Selecione Gerar Novo Token na guia Tokens de Acesso.
   4. Selecione Gerar.

   

   Salve o token de acesso para uso posterior na criação de um serviço vinculado do Databricks. O token de acesso é semelhante a dapi32db32cbb4w6eee18b7d87e45exxxxxx.

Como usar este modelo

1. Acesse o modelo Transformação com o Azure Databricks e crie serviços vinculados para as conexões a seguir.

   

   • Conexão de Blob de Origem: para acessar os dados de origem.

     Para este exercício, você pode usar o armazenamento de blobs público que contém os arquivos de origem. Use a captura de tela a seguir como referência para a configuração. Use a seguinte URL de SAS para se conectar ao armazenamento de origem (acesso somente leitura):

     https://storagewithdata.blob.core.windows.net/data?sv=2018-03-28&si=read%20and%20list&sr=c&sig=PuyyS6%2FKdB2JxcZN0kPlmHSBlD8uIKyzhBWmWzznkBw%3D

     

   • Conexão de Blob de Destino: para armazenar os dados copiados.

     Na janela Novo serviço vinculado, selecione o blob de armazenamento do coletor.

     

   • Azure Databricks: para se conectar ao cluster do Databricks.

     Crie um serviço vinculado do Databricks usando a chave de acesso que você gerou anteriormente. Você pode optar por selecionar um cluster interativo caso tenha um. Este exemplo usa a opção Novo cluster de trabalho.

     

2. Selecione Usar este modelo. Você verá um pipeline criado.

   

Introdução e configuração de pipeline

No novo pipeline, a maioria das configurações é definida automaticamente com valores padrão. Examine as configurações do pipeline e faça as alterações necessárias.

1. No sinalizador de Disponibilidade da atividade Validação, verifique se o valor do Conjunto de dados de origem está definido como o SourceAvailabilityDataset criado anteriormente.

   

2. Em Arquivo para blob da atividade Copiar dados, verifique as guias Origem e Coletor. Altere as configurações, se necessário.

   • GuiaOrigem

   • Guia Coletor

3. Em Transformação da atividade Notebook, examine e atualize os caminhos e as configurações conforme necessário.

   A opção Serviço vinculado do Databricks será preenchida previamente com o valor de uma etapa anterior, conforme mostrado:

   Para verificar as configurações do Notebook:

   1. Selecione a guia Configurações. em Caminho do notebook, verifique se o caminho padrão está correto. Talvez seja necessário procurar e escolher o caminho correto do notebook.

      

   2. Expanda o seletor de Parâmetros Base e verifique se os parâmetros correspondem ao que é mostrado na captura de tela a seguir. Esses parâmetros são transmitidos para o notebook do Databricks por meio do Data Factory.

      

4. Verifique se os Parâmetros de Pipeline correspondem ao que é mostrado na seguinte captura de tela:

5. Conecte-se aos seus conjuntos de dados.

   Observação

   Nos conjuntos de dados abaixo, o caminho do arquivo foi especificado automaticamente no modelo. Se forem necessárias alterações, especifique o caminho para o contêiner e o diretório, em caso de erro de conexão.

   • SourceAvailabilityDataset: para verificar se os dados de origem estão disponíveis.

     

   • SourceFilesDataset: para acessar os dados de origem.

     

   • DestinationFilesDataset: para copiar os dados para a localização de destino do coletor. Use os seguintes valores:

     • Serviço vinculado - sinkBlob_LS, criado em uma etapa anterior.

     • Caminho do arquivo - sinkdata/staged_sink.

       

6. Selecione Depurar para executar o pipeline. Encontre o link para os logs do Databricks para obter logs mais detalhados do Spark.

   

   Verifique também o arquivo de dados usando o Gerenciador de Armazenamento do Azure.

   Observação

   Para correlação com as execuções de pipeline do Data Factory, este exemplo acrescenta a ID da execução de pipeline do Data Factory à pasta de saída. Isso ajuda a manter o controle dos arquivos gerados por execução.

Conteúdo relacionado

• Introdução ao Azure Data Factory