Přepsání nastavení úloh v balíčcích prostředků Databricks

Tento článek popisuje, jak přepsat nastavení úloh Azure Databricks v sadách prostředků Databricks. Podívejte se , co jsou sady prostředků Databricks?

V konfiguračních souborech sady Azure Databricks můžete pomocí task mapování v definici úlohy spojit nastavení úloh v mapování úloh nejvyšší úrovně resources s nastavením úlohy v targets mapování, například (tři tečky označují vynechaný obsah pro stručnost):

# ...
resources:
  jobs:
    <some-unique-programmatic-identifier-for-this-job>:
      # ...
      tasks:
        - task_key: <some-unique-programmatic-identifier-for-this-task>
          # Task settings.

targets:
  <some-unique-programmatic-identifier-for-this-target>:
    resources:
      jobs:
        <the-matching-programmatic-identifier-for-this-job>:
          # ...
          tasks:
            - task_key: <the-matching-programmatic-identifier-for-this-key>
              # Any more task settings to join with the settings from the
              # resources mapping for the matching top-level task_key.
          # ...

Pokud chcete spojit mapování nejvyšší úrovně resources a targets mapování pro stejnou task, task musí být mapování task_key nastaveno na stejnou hodnotu.

Pokud je v mapování nejvyšší úrovně resources i mapování pro stejnou taskúlohu definováno jakékoli nastavení úlohy, bude mít nastavení v targets mapování nejvyšší úrovně resources přednost před targets nastavením.

Příklad 1: Nastavení úlohy definované v mapování více zdrojů a bez konfliktů nastavení

V tomto příkladu spark_version se mapování nejvyšší úrovně zkombinuje s mapováním node_type_id na nejvyšší úrovni resources a num_workers v resources mapování targets definuje nastavení pro pojmenované task_keymy-task (tři tečky označují vynechaný obsah pro stručnost):

# ...
resources:
  jobs:
    my-job:
      name: my-job
      tasks:
        - task_key: my-key
          new_cluster:
            spark_version: 13.3.x-scala2.12

targets:
  development:
    resources:
      jobs:
        my-job:
          name: my-job
          tasks:
            - task_key: my-task
              new_cluster:
                node_type_id: Standard_DS3_v2
                num_workers: 1
          # ...

Při spuštění databricks bundle validate v tomto příkladu je výsledný graf následující (tři tečky označují vynechaný obsah pro stručnost):

{
  "...": "...",
  "resources": {
    "jobs": {
      "my-job": {
        "tasks": [
          {
            "new_cluster": {
              "node_type_id": "Standard_DS3_v2",
              "num_workers": 1,
              "spark_version": "13.3.x-scala2.12"
            },
            "task-key": "my-task"
          }
        ],
        "...": "..."
      }
    }
  }
}

Příklad 2: Nastavení konfliktních úloh definovaných v mapování více zdrojů

V tomto příkladu spark_versionjsou num_workers definovány jak v mapování nejvyšší úrovně resources , tak v resources mapování v targets. spark_versiona v mapování mají přednost před spark_version mapováním nejvyšší úrovně a num_workers v mapování nejvyšší úrovněresources.targetsresourcesnum_workers Tím se definuje nastavení pro task_key pojmenovaný my-task (tři tečky označují vynechaný obsah pro stručnost):

# ...
resources:
  jobs:
    my-job:
      name: my-job
      tasks:
        - task_key: my-task
          new_cluster:
            spark_version: 13.3.x-scala2.12
            node_type_id: Standard_DS3_v2
            num_workers: 1

targets:
  development:
    resources:
      jobs:
        my-job:
          name: my-job
          tasks:
            - task_key: my-task
              new_cluster:
                spark_version: 12.2.x-scala2.12
                num_workers: 2
          # ...

Při spuštění databricks bundle validate v tomto příkladu je výsledný graf následující (tři tečky označují vynechaný obsah pro stručnost):

{
  "...": "...",
  "resources": {
    "jobs": {
      "my-job": {
        "tasks": [
          {
            "new_cluster": {
              "node_type_id": "Standard_DS3_v2",
              "num_workers": 2,
              "spark_version": "12.2.x-scala2.12"
            },
            "task_key": "my-task"
          }
        ],
        "...": "..."
      }
    }
  }
}