Kurz: Připojení ke službě Azure Cosmos DB for NoSQL pomocí Sparku

PLATÍ PRO: NoSQL

V tomto kurzu použijete konektor Spark služby Azure Cosmos DB ke čtení nebo zápisu dat z účtu Azure Cosmos DB for NoSQL. Tento kurz používá Azure Databricks a poznámkový blok Jupyter k ilustraci integrace s rozhraním API pro NoSQL ze Sparku. Tento kurz se zaměřuje na Python a Scala, i když můžete použít libovolný jazyk nebo rozhraní podporované Sparkem.

V tomto kurzu se naučíte:

Připojte se k účtu API pro NoSQL pomocí Sparku a Jupyter notebooku.
Vytvořte prostředky databáze a kontejneru.
Příjem dat do kontejneru
Dotazování dat v kontejneru
Provádění běžných operací s položkami v kontejneru

Prerequisites

Existující účet Azure Cosmos DB pro NoSQL.
- Pokud máte existující předplatné Azure, vytvořte nový účet.
Existující pracovní prostor Azure Databricks.

Připojení pomocí Sparku a Jupyteru

Pomocí stávajícího pracovního prostoru Azure Databricks vytvořte výpočetní cluster připravený k použití Apache Sparku 3.4.x pro připojení k vašemu účtu Azure Cosmos DB for NoSQL.

Otevřete pracovní prostor Azure Databricks.
V rozhraní pracovního prostoru vytvořte nový cluster. Nakonfigurujte cluster s těmito nastaveními minimálně:

Version Value

Verze běhového prostředí 13.3 LTS (Scala 2.12, Spark 3.4.1)
Pomocí rozhraní pracovního prostoru vyhledejte balíčky Maven z Maven Central s identifikátorem skupinycom.azure.cosmos.spark. Nainstalujte balíček speciálně pro Spark 3.4 s ID artefaktu předponou azure-cosmos-spark_3-4 clusteru.
Nakonec vytvořte nový poznámkový blok.

Tip

Ve výchozím nastavení je poznámkový blok připojený k nedávno vytvořenému klastru.

Version	Value
Verze běhového prostředí	13.3 LTS (Scala 2.12, Spark 3.4.1)

V poznámkovém bloku nastavte nastavení konfigurace online zpracování transakcí (OLTP) pro koncový bod účtu NoSQL, název databáze a název kontejneru.

# Set configuration settings
config = {
  "spark.cosmos.accountEndpoint": "<nosql-account-endpoint>",
  "spark.cosmos.accountKey": "<nosql-account-key>",
  "spark.cosmos.database": "cosmicworks",
  "spark.cosmos.container": "products"
}

# Set configuration settings
val config = Map(
  "spark.cosmos.accountEndpoint" -> "<nosql-account-endpoint>",
  "spark.cosmos.accountKey" -> "<nosql-account-key>",
  "spark.cosmos.database" -> "cosmicworks",
  "spark.cosmos.container" -> "products"
)

Vytvoření databáze a kontejneru

Rozhraní API katalogu slouží ke správě prostředků účtu, jako jsou databáze a kontejnery. Pak můžete použít OLTP ke správě dat v rámci prostředků kontejneru.

Nakonfigurujte rozhraní API katalogu pro správu prostředků API pro NoSQL pomocí Sparku.

# Configure Catalog Api    
spark.conf.set("spark.sql.catalog.cosmosCatalog", "com.azure.cosmos.spark.CosmosCatalog")
spark.conf.set("spark.sql.catalog.cosmosCatalog.spark.cosmos.accountEndpoint", config["spark.cosmos.accountEndpoint"])
spark.conf.set("spark.sql.catalog.cosmosCatalog.spark.cosmos.accountKey", config["spark.cosmos.accountKey"])

// Configure Catalog Api  
spark.conf.set(s"spark.sql.catalog.cosmosCatalog", "com.azure.cosmos.spark.CosmosCatalog")
spark.conf.set(s"spark.sql.catalog.cosmosCatalog.spark.cosmos.accountEndpoint", config("spark.cosmos.accountEndpoint"))
spark.conf.set(s"spark.sql.catalog.cosmosCatalog.spark.cosmos.accountKey", config("spark.cosmos.accountKey"))

Vytvořte novou databázi s názvem cosmicworks pomocí příkazu CREATE DATABASE IF NOT EXISTS.

# Create a database by using the Catalog API    
spark.sql(f"CREATE DATABASE IF NOT EXISTS cosmosCatalog.cosmicworks;")

// Create a database by using the Catalog API  
spark.sql(s"CREATE DATABASE IF NOT EXISTS cosmosCatalog.cosmicworks;")

Vytvořte nový kontejner pojmenovaný products pomocí .CREATE TABLE IF NOT EXISTS Ujistěte se, že jste nastavili cestu /category k klíči oddílu a povolili propustnost automatického 1000 škálování s maximální propustností jednotek žádostí (RU) za sekundu.

# Create a products container by using the Catalog API
spark.sql(("CREATE TABLE IF NOT EXISTS cosmosCatalog.cosmicworks.products USING cosmos.oltp TBLPROPERTIES(partitionKeyPath = '/category', autoScaleMaxThroughput = '1000')"))

// Create a products container by using the Catalog API
spark.sql(("CREATE TABLE IF NOT EXISTS cosmosCatalog.cosmicworks.products USING cosmos.oltp TBLPROPERTIES(partitionKeyPath = '/category', autoScaleMaxThroughput = '1000')"))

Vytvořte další kontejner s názvem employees pomocí konfigurace hierarchického klíče oddílu. Použijte /organization, /department a /team jako sadu cest klíčů oddílu. Postupujte podle tohoto konkrétního pořadí. Také nastavte propustnost na ruční počet 400 RU.

# Create an employees container by using the Catalog API
spark.sql(("CREATE TABLE IF NOT EXISTS cosmosCatalog.cosmicworks.employees USING cosmos.oltp TBLPROPERTIES(partitionKeyPath = '/organization,/department,/team', manualThroughput = '400')"))

// Create an employees container by using the Catalog API
spark.sql(("CREATE TABLE IF NOT EXISTS cosmosCatalog.cosmicworks.employees USING cosmos.oltp TBLPROPERTIES(partitionKeyPath = '/organization,/department,/team', manualThroughput = '400')"))

Spusťte buňky poznámkového bloku, abyste ověřili, že vaše databáze a kontejnery byly vytvořeny ve vašem účtu služby API pro NoSQL.

Přijímání dat

Vytvořte ukázkovou datovou sadu. Pak pomocí OLTP ingestujte tato data do kontejneru API for NoSQL.

Vytvořte ukázkovou datovou sadu.

# Create sample data    
products = (
  ("68719518391", "gear-surf-surfboards", "Yamba Surfboard", 12, 850.00, False),
  ("68719518371", "gear-surf-surfboards", "Kiama Classic Surfboard", 25, 790.00, True)
)

// Create sample data
val products = Seq(
  ("68719518391", "gear-surf-surfboards", "Yamba Surfboard", 12, 850.00, false),
  ("68719518371", "gear-surf-surfboards", "Kiama Classic Surfboard", 25, 790.00, true)
)

K přidání ukázkových dat do cílového kontejneru použijte spark.createDataFrame a dříve uloženou konfiguraci OLTP.

# Ingest sample data    
spark.createDataFrame(products) \
  .toDF("id", "category", "name", "quantity", "price", "clearance") \
  .write \
  .format("cosmos.oltp") \
  .options(**config) \
  .mode("APPEND") \
  .save()

// Ingest sample data
spark.createDataFrame(products)
  .toDF("id", "category", "name", "quantity", "price", "clearance")
  .write
  .format("cosmos.oltp")
  .options(config)
  .mode("APPEND")
  .save()

Dotaz k datům

Načtěte data OLTP do datového rámce, abyste mohli provádět běžné dotazy na data. K filtrování nebo dotazování dat můžete použít různé syntaxe.

Slouží spark.read k načtení dat OLTP do objektu datového rámce. Použijte stejnou konfiguraci, kterou jste použili dříve v tomto kurzu. Nastavte také spark.cosmos.read.inferSchema.enabled na true, aby konektor Spark mohl odvodit schéma vzorkováním existujících položek.

# Load data    
df = spark.read.format("cosmos.oltp") \
  .options(**config) \
  .option("spark.cosmos.read.inferSchema.enabled", "true") \
  .load()

// Load data
val df = spark.read.format("cosmos.oltp")
  .options(config)
  .option("spark.cosmos.read.inferSchema.enabled", "true")
  .load()

Vykreslení schématu dat načtených v datovém rámci pomocí printSchema.

# Render schema    
df.printSchema()

// Render schema    
df.printSchema()

Zobrazte řádky dat, kde je sloupec quantity menší než 20. Použijte funkce where a show k provedení tohoto dotazu.

# Render filtered data    
df.where("quantity < 20") \
  .show()

// Render filtered data
df.where("quantity < 20")
  .show()

Vykreslí první řádek dat, kde je sloupec clearancetrue. filter K provedení tohoto dotazu použijte funkci.

# Render 1 row of flitered data    
df.filter(df.clearance == True) \
  .show(1)

// Render 1 row of flitered data
df.filter($"clearance" === true)
  .show(1)

Vykreslí pět řádků dat bez filtru nebo zkrácení. show Pomocí funkce můžete přizpůsobit vzhled a počet vykreslených řádků.

# Render five rows of unfiltered and untruncated data    
df.show(5, False)

// Render five rows of unfiltered and untruncated data    
df.show(5, false)

Dotazování dat pomocí tohoto nezpracovaného řetězce dotazu NoSQL: SELECT * FROM cosmosCatalog.cosmicworks.products WHERE price > 800

# Render results of raw query    
rawQuery = "SELECT * FROM cosmosCatalog.cosmicworks.products WHERE price > 800"
rawDf = spark.sql(rawQuery)
rawDf.show()

// Render results of raw query    
val rawQuery = s"SELECT * FROM cosmosCatalog.cosmicworks.products WHERE price > 800"
val rawDf = spark.sql(rawQuery)
rawDf.show()

Provádění běžných operací

Při práci s daty API for NoSQL ve Sparku můžete provádět částečné aktualizace nebo pracovat s daty jako nezpracovaným kódem JSON.

Provedení částečné aktualizace položky:

Zkopírujte existující config konfigurační proměnnou a upravte vlastnosti v nové kopii. Konkrétně nakonfigurujte strategii zápisu na ItemPatch. Pak hromadnou podporu zakažte. Nastavte sloupce a mapované operace. Nakonec nastavte výchozí typ operace na Set.

# Copy and modify configuration
configPatch = dict(config)
configPatch["spark.cosmos.write.strategy"] = "ItemPatch"
configPatch["spark.cosmos.write.bulk.enabled"] = "false"
configPatch["spark.cosmos.write.patch.defaultOperationType"] = "Set"
configPatch["spark.cosmos.write.patch.columnConfigs"] = "[col(name).op(set)]"

// Copy and modify configuration
val configPatch = scala.collection.mutable.Map.empty ++ config
configPatch ++= Map(
  "spark.cosmos.write.strategy" -> "ItemPatch",
  "spark.cosmos.write.bulk.enabled" -> "false",
  "spark.cosmos.write.patch.defaultOperationType" -> "Set",
  "spark.cosmos.write.patch.columnConfigs" -> "[col(name).op(set)]"
)

Vytvořte proměnné pro klíč oddílu položky a jedinečný identifikátor, na který chcete cílit jako součást této operace opravy.

# Specify target item id and partition key
targetItemId = "68719518391"
targetItemPartitionKey = "gear-surf-surfboards"

// Specify target item id and partition key
val targetItemId = "68719518391"
val targetItemPartitionKey = "gear-surf-surfboards"

Vytvořte sadu objektů oprav, které určí cílovou položku a určí pole, která se mají upravit.

# Create set of patch diffs
patchProducts = [{ "id": f"{targetItemId}", "category": f"{targetItemPartitionKey}", "name": "Yamba New Surfboard" }]

// Create set of patch diffs
val patchProducts = Seq(
  (targetItemId, targetItemPartitionKey, "Yamba New Surfboard")
)

Vytvořte datový rámec pomocí sady objektů patch. Použijte write k provedení operace opravy.

# Create data frame
spark.createDataFrame(patchProducts) \
  .write \
  .format("cosmos.oltp") \
  .options(**configPatch) \
  .mode("APPEND") \
  .save()

// Create data frame
patchProducts
  .toDF("id", "category", "name")
  .write
  .format("cosmos.oltp")
  .options(configPatch)
  .mode("APPEND")
  .save()

Spuštěním dotazu zkontrolujte výsledky operace opravy. Položka by teď měla být pojmenovaná Yamba New Surfboard bez dalších změn.

# Create and run query
patchQuery = f"SELECT * FROM cosmosCatalog.cosmicworks.products WHERE id = '{targetItemId}' AND category = '{targetItemPartitionKey}'"
patchDf = spark.sql(patchQuery)
patchDf.show(1)

// Create and run query
val patchQuery = s"SELECT * FROM cosmosCatalog.cosmicworks.products WHERE id = '$targetItemId' AND category = '$targetItemPartitionKey'"
val patchDf = spark.sql(patchQuery)
patchDf.show(1)

Práce s nezpracovanými daty JSON:

Zkopírujte existující config konfigurační proměnnou a upravte vlastnosti v nové kopii. Konkrétně změňte cílový kontejner na employees. Potom nakonfigurujte contacts sloupec nebo pole tak, aby používal nezpracovaná data JSON.

# Copy and modify configuration
configRawJson = dict(config)
configRawJson["spark.cosmos.container"] = "employees"
configRawJson["spark.cosmos.write.patch.columnConfigs"] = "[col(contacts).path(/contacts).op(set).rawJson]"

// Copy and modify configuration
val configRawJson = scala.collection.mutable.Map.empty ++ config
configRawJson ++= Map(
  "spark.cosmos.container" -> "employees",
  "spark.cosmos.write.patch.columnConfigs" -> "[col(contacts).path(/contacts).op(set).rawJson]"
)

Vytvořte skupinu zaměstnanců pro nahrání do kontejneru.

# Create employee data
employees = (
  ("63476388581", "CosmicWorks", "Marketing", "Outside Sales", "Alain Henry",  '[ { "type": "phone", "value": "425-555-0117" }, { "email": "alain@adventure-works.com" } ]'), 
)

// Create employee data
val employees = Seq(
  ("63476388581", "CosmicWorks", "Marketing", "Outside Sales", "Alain Henry",  """[ { "type": "phone", "value": "425-555-0117" }, { "email": "alain@adventure-works.com" } ]""")
)

Vytvořte datový rámec a použijte write k importu dat zaměstnanců.

# Ingest data
spark.createDataFrame(employees) \
  .toDF("id", "organization", "department", "team", "name", "contacts") \
  .write \
  .format("cosmos.oltp") \
  .options(**configRawJson) \
  .mode("APPEND") \
  .save()

// Ingest data
spark.createDataFrame(employees)
  .toDF("id", "organization", "department", "team", "name", "contacts")
  .write
  .format("cosmos.oltp")
  .options(configRawJson)
  .mode("APPEND")
  .save()

Vykreslení dat z datového rámce pomocí show. Všimněte si, že ve výstupu contacts je nezpracovaný JSON.

# Read and render data
rawJsonDf = spark.read.format("cosmos.oltp") \
  .options(**configRawJson) \
  .load()
rawJsonDf.show()

// Read and render data
val rawJsonDf = spark.read.format("cosmos.oltp")
  .options(configRawJson)
  .load()
rawJsonDf.show()

Apache Spark
Rozhraní API katalogu Azure Cosmos DB
Referenční informace o parametrech konfigurace
Ukázky konektoru Spark pro Azure Cosmos DB
Migrace ze Sparku 2.4 na Spark 3.*
Zastaralé verze:
- Konektor Azure Cosmos DB Spark pro verze Spark 3.1 a 3.2 je zastaralý, protože v Azure Databricks, Azure Synapse ani Azure HDInsight už nejsou dostupné žádné moduly runtime pro Spark 3.1 nebo 3.2.
- Průvodce migrací pro aktualizaci ze Sparku 3.1
- Průvodce migrací pro aktualizaci ze Sparku 3.2
Kompatibilita verzí:
Poznámky k vydání
Odkazy ke stažení:

Další krok

Konektor Spark služby Azure Cosmos DB v centrálním úložišti Mavenu

Váš názor

Byla tato stránka užitečná?

Last updated on 2025-10-30