在 PostgreSQL 上运行联合查询

项目
10/15/2024

本文介绍如何设置 Lakehouse Federation，以对非 Azure Databricks 管理的 PostgreSQL 数据运行联合查询。若要详细了解 Lakehouse Federation，请参阅“什么是 Lakehouse Federation？”。

要使用 Lakehouse Federation 连接到 PostgreSQL 数据库上的运行查询，必须在 Azure Databricks Unity Catalog 元存储中创建以下内容：

与 PostgreSQL 数据库上的运行查询的连接。
镜像 Unity Catalog 中 PostgreSQL 数据库上运行查询的外部目录，以便你可使用 Unity Catalog 查询语法和数据治理工具来管理 Azure Databricks 用户对数据库的访问。

开始之前

工作区要求：

已为 Unity Catalog 启用工作区。

计算要求：

从 Databricks Runtime 群集或 SQL 仓库到目标数据库系统的网络连接。请参阅 Lakehouse Federation 网络建议。
Azure Databricks 群集必须使用 Databricks Runtime 13.3 LTS（或更高版本）和共享或单用户访问模式。
SQL 仓库必须是 Pro 或无服务器仓库，且必须使用 2023.40 或更高版本。

所需的权限：

若要创建连接，你必须是元存储管理员或对附加到工作区的 Unity Catalog 元存储具有 CREATE CONNECTION 权限的用户。
若要创建外部目录，必须对元存储具有 CREATE CATALOG 权限，并且是连接的所有者或对连接具有 CREATE FOREIGN CATALOG 特权。

后面的每个基于任务的部分中都指定了其他权限要求。

创建连接

连接指定用于访问外部数据库系统的路径和凭据。若要创建连接，可以使用目录资源管理器，或者使用 Azure Databricks 笔记本或 Databricks SQL 查询编辑器中的 CREATE CONNECTION SQL 命令。

注意

你还可以使用 Databricks REST API 或 Databricks CLI 来创建连接。请参阅 POST /api/2.1/unity-catalog/connections 和 Unity Catalog 命令。

所需的权限：具有 CREATE CONNECTION 特权的元存储管理员或用户。

目录资源管理器

在 Azure Databricks 工作区中，单击 “目录”。
在“目录”窗格顶部，单击 “添加”图标，然后从菜单中选择“添加连接”。

也可在“快速访问”页中单击“外部数据 >”按钮，转到“连接”选项卡，然后单击“创建连接”。
输入用户友好的连接名称。
选择 PostgreSQL 的“连接类型”。
输入你的 PostgreSQL 实例的以下连接属性。
- 主机：例如 postgres-demo.lb123.us-west-2.rds.amazonaws.com
- 端口：例如 5432
- 用户：例如 postgres_user
- 密码：例如 password123
（可选）单击“测试连接”以确认它是否正常工作。
（可选）添加注释。
单击“创建”。

SQL

在笔记本或 Databricks SQL 查询编辑器中运行以下命令。

CREATE CONNECTION <connection-name> TYPE postgresql
OPTIONS (
  host '<hostname>',
  port '<port>',
  user '<user>',
  password '<password>'
);

建议对凭据等敏感值使用 Azure Databricks 机密而不是纯文本字符串。例如：

CREATE CONNECTION <connection-name> TYPE postgresql
OPTIONS (
  host '<hostname>',
  port '<port>',
  user secret ('<secret-scope>','<secret-key-user>'),
  password secret ('<secret-scope>','<secret-key-password>')
)

有关设置机密的详细信息，请参阅机密管理。

创建外部目录

外部目录镜像外部数据系统中的数据库，以便可以使用 Azure Databricks 和 Unity Catalog 查询和管理对该数据库中数据的访问。若要创建外部目录，请使用与已定义的数据源的连接。

要创建外部目录，可以使用目录资源管理器，或在 Azure Databricks 笔记本或 SQL 查询编辑器中使用 CREATE FOREIGN CATALOG SQL 命令。

注意

你还可以使用 Databricks REST API 或 Databricks CLI 来创建目录。请参阅 POST /api/2.1/unity-catalog/catalogs 和 Unity Catalog 命令。

所需的权限：对元存储具有 CREATE CATALOG 权限，并且具有连接的所有权或对连接具有 CREATE FOREIGN CATALOG 权限。

目录资源管理器

在 Azure Databricks 工作区中，单击 “目录”以打开目录资源管理器。
在“目录”窗格顶部，单击 “添加”图标，然后从菜单中选择“添加目录”。

也可在“快速访问”页中单击“目录”按钮，然后单击“创建目录”按钮。
按照创建目录中的说明创建外部目录。

SQL

在笔记本或 SQL 查询编辑器中运行以下 SQL 命令。括号中的项是可选的。替换占位符值替：

<catalog-name>：Azure Databricks 中目录的名称。
<connection-name>：指定数据源、路径和访问凭据的连接对象。
<database-name>：要在 Azure Databricks 中镜像为目录的数据库的名称。

CREATE FOREIGN CATALOG [IF NOT EXISTS] <catalog-name> USING CONNECTION <connection-name>
OPTIONS (database '<database-name>');

支持的下推

所有计算均支持以下下推：

筛选器
投影
限制
函数：部分，仅适用于筛选器表达式。（字符串函数、数学函数和其他杂项函数，如 Alias、Cast、SortOrder）

Databricks Runtime 13.3 LTS 及更高版本和 SQL 仓库支持下列下推：

以下聚合函数：MIN、MAX、COUNT、SUM、AVG、VAR_POP、VAR_SAMP、STDDEV_POP、STDDEV_SAMP、GREATEST、LEAST、COVAR_POP、COVAR_SAMP、CORR、REGR_INTERCEPT、REGR_R2、REGR_SLOPE、REGR_SXY
以下布尔函数：=、<、<、=>、>=、<=>
以下数学函数（在禁用了 ANSI 时不受支持）：+、-、*、%、/
其他运算符 | 和 ~
排序，与限制一起使用时

不支持以下下推：

联接
Windows 函数

数据类型映射

从 PostgreSQL 读取到 Spark 时，数据类型映射如下所示：

PostgreSQL 类型	Spark 类型
数字	DecimalType
int2	ShortType
int4（如果未签名）	IntegerType
int8、oid、xid、int4（如果已签名）	LongType
float4	FloatType
双精度，浮点数8	DoubleType
char	CharType
name, varchar, tid	VarcharType
bpchar, character varying, json, money, point, super, text	StringType
bytea, geometry, varbyte	BinaryType
bit, bool	BooleanType
date	DateType
tabstime，时间，含时区的时间，timetz，不含时区的时间，含时区的时间戳，时间戳，timestamptz、，含时区的时间戳*	TimestampType/TimestampNTZType
Postgresql 数组类型**	ArrayType

*从 PostgreSQL 读取时，如果 preferTimestampNTZ = false（默认），PostgreSQL Timestamp 会映射到 Spark TimestampType。如果 preferTimestampNTZ = true，PostgreSQL Timestamp 会映射到 TimestampNTZType。

**支持有限的数组类型。

通过

在 PostgreSQL 上运行联合查询

开始之前

创建连接

目录资源管理器

SQL

创建外部目录

目录资源管理器

SQL

支持的下推

数据类型映射

反馈

其他资源