Megosztás a következőn keresztül:

Fürtök, jegyzetfüzetek és feladatok létrehozása a Terraform használatával

  • Cikk

Ez a cikk bemutatja, hogyan hozhat létre fürtöt, jegyzetfüzetet és feladatot a Databricks Terraform-szolgáltatóval egy meglévő Azure Databricks-munkaterületen.

Ez a cikk a következő Azure Databricks első lépéseket ismertető cikkeinek a kísérője:

A cikkben szereplő Terraform-konfigurációkat úgy is módosíthatja, hogy egyéni fürtöket, jegyzetfüzeteket és feladatokat hozzon létre a munkaterületeken.

1. lépés: A Terraform-projekt létrehozása és konfigurálása

  1. Hozzon létre egy Terraform-projektet a Databricks Terraform-szolgáltató áttekintési cikkÉnek Követelmények szakaszában található utasításokat követve.

  2. Fürt létrehozásához hozzon létre egy nevű cluster.tffájlt, és adja hozzá a következő tartalmat a fájlhoz. Ez a tartalom létrehoz egy fürtöt, amelyen a legkisebb mennyiségű erőforrás engedélyezett. Ez a fürt a databricks runtime long term support (LTS) legújabb verzióját használja.

    Unity Catalog-tal működő fürt esetén:

    variable "cluster_name" {}
variable "cluster_autotermination_minutes" {}
variable "cluster_num_workers" {}
variable "cluster_data_security_mode" {}

# Create the cluster with the "smallest" amount
# of resources allowed.
data "databricks_node_type" "smallest" {
  local_disk = true
}

# Use the latest Databricks Runtime
# Long Term Support (LTS) version.
data "databricks_spark_version" "latest_lts" {
  long_term_support = true
}

resource "databricks_cluster" "this" {
  cluster_name            = var.cluster_name
  node_type_id            = data.databricks_node_type.smallest.id
  spark_version           = data.databricks_spark_version.latest_lts.id
  autotermination_minutes = var.cluster_autotermination_minutes
  num_workers             = var.cluster_num_workers
  data_security_mode      = var.cluster_data_security_mode
}

output "cluster_url" {
 value = databricks_cluster.this.url
}

    Teljes célú fürt esetén:

    variable "cluster_name" {
  description = "A name for the cluster."
  type        = string
  default     = "My Cluster"
}

variable "cluster_autotermination_minutes" {
  description = "How many minutes before automatically terminating due to inactivity."
  type        = number
  default     = 60
}

variable "cluster_num_workers" {
  description = "The number of workers."
  type        = number
  default     = 1
}

# Create the cluster with the "smallest" amount
# of resources allowed.
data "databricks_node_type" "smallest" {
  local_disk = true
}

# Use the latest Databricks Runtime
# Long Term Support (LTS) version.
data "databricks_spark_version" "latest_lts" {
  long_term_support = true
}

resource "databricks_cluster" "this" {
  cluster_name            = var.cluster_name
  node_type_id            = data.databricks_node_type.smallest.id
  spark_version           = data.databricks_spark_version.latest_lts.id
  autotermination_minutes = var.cluster_autotermination_minutes
  num_workers             = var.cluster_num_workers
}

output "cluster_url" {
 value = databricks_cluster.this.url
}

  3. Fürt létrehozásához hozzon létre egy másik nevű fájlt cluster.auto.tfvars, és adja hozzá a következő tartalmat a fájlhoz. Ez a fájl változó értékeket tartalmaz a fürt testreszabásához. Cserélje le a helyőrző értékeket a saját értékeire.

    Unity Catalog-tal működő fürt esetén:

    cluster_name                    = "My Cluster"
cluster_autotermination_minutes = 60
cluster_num_workers             = 1
cluster_data_security_mode      = "SINGLE_USER"

    Teljes célú fürt esetén:

    cluster_name                    = "My Cluster"
cluster_autotermination_minutes = 60
cluster_num_workers             = 1

  4. Jegyzetfüzet létrehozásához hozzon létre egy másik nevű fájlt notebook.tf, és adja hozzá a következő tartalmat a fájlhoz:

    variable "notebook_subdirectory" {
  description = "A name for the subdirectory to store the notebook."
  type        = string
  default     = "Terraform"
}

variable "notebook_filename" {
  description = "The notebook's filename."
  type        = string
}

variable "notebook_language" {
  description = "The language of the notebook."
  type        = string
}

resource "databricks_notebook" "this" {
  path     = "${data.databricks_current_user.me.home}/${var.notebook_subdirectory}/${var.notebook_filename}"
  language = var.notebook_language
  source   = "./${var.notebook_filename}"
}

output "notebook_url" {
 value = databricks_notebook.this.url
}

  5. Fürt létrehozásakor mentse a következő jegyzetfüzetkódot a fájllal azonos könyvtárban notebook.tf lévő fájlba:

    Az oktatóanyaghoz készült Python-jegyzetfüzet esetében : Futtasson egy teljes körű Lakehouse Analytics-folyamatot, amely a következő tartalommal elnevezett notebook-getting-started-lakehouse-e2e.py fájl:

    # Databricks notebook source
external_location = "<your_external_location>"
catalog = "<your_catalog>"

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

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

# COMMAND ----------

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)

# COMMAND ----------

RawData.land_batch()

# COMMAND ----------

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

# COMMAND ----------

df = spark.read.table(table_name)

# COMMAND ----------

display(df)

    A Python-jegyzetfüzet rövid útmutatójához : Spark-feladat futtatása az Azure Databricks-munkaterületen az Azure Portal használatával, a következő tartalommal elnevezett notebook-quickstart-create-databricks-workspace-portal.py fájl:

    # Databricks notebook source
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=Seattle"
blob_sas_token = r""

# COMMAND ----------

wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name,blob_relative_path)
spark.conf.set('fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name), blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# COMMAND ----------

df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# COMMAND ----------

print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

  6. Ha jegyzetfüzetet hoz létre, hozzon létre egy másik nevű notebook.auto.tfvarsfájlt, és adja hozzá a következő tartalmat a fájlhoz. Ez a fájl változó értékeket tartalmaz a jegyzetfüzet konfigurációjának testreszabásához.

    Az oktatóanyaghoz készült Python-jegyzetfüzethez : Futtasson egy végpontok közötti lakehouse-elemzési folyamatot:

    notebook_subdirectory = "Terraform"
notebook_filename     = "notebook-getting-started-lakehouse-e2e.py"
notebook_language     = "PYTHON"

    A Python-jegyzetfüzet rövid útmutatójához : Spark-feladat futtatása az Azure Databricks-munkaterületen az Azure Portal használatával:

    notebook_subdirectory = "Terraform"
notebook_filename     = "notebook-quickstart-create-databricks-workspace-portal.py"
notebook_language     = "PYTHON"

  7. Ha jegyzetfüzetet hoz létre, az Azure Databricks-munkaterületen mindenképpen állítsa be a jegyzetfüzet sikeres futtatására vonatkozó követelményeket a következő utasításokra hivatkozva:

  8. A feladat létrehozásához hozzon létre egy másik nevű fájlt job.tf, és adja hozzá a következő tartalmat a fájlhoz. Ez a tartalom létrehoz egy feladatot a jegyzetfüzet futtatásához.

    variable "job_name" {
  description = "A name for the job."
  type        = string
  default     = "My Job"
}

variable "task_key" {
  description = "A name for the task."
  type        = string
  default     = "my_task"
}

resource "databricks_job" "this" {
  name = var.job_name
  task {
    task_key = var.task_key
    existing_cluster_id = databricks_cluster.this.cluster_id
    notebook_task {
      notebook_path = databricks_notebook.this.path
    }
  }
  email_notifications {
    on_success = [ data.databricks_current_user.me.user_name ]
    on_failure = [ data.databricks_current_user.me.user_name ]
  }
}

output "job_url" {
  value = databricks_job.this.url
}

  9. Ha egy feladatot hoz létre, hozzon létre egy másik nevű fájlt job.auto.tfvars, és adja hozzá a következő tartalmat a fájlhoz. Ez a fájl egy változó értéket tartalmaz a feladatkonfiguráció testreszabásához.

    job_name = "My Job"
task_key = "my_task"

2. lépés: A konfigurációk futtatása

Ebben a lépésben futtatja a Terraform-konfigurációkat a fürt, a jegyzetfüzet és a feladat Azure Databricks-munkaterületen való üzembe helyezéséhez.

  1. A parancs futtatásával terraform validate ellenőrizze, hogy a Terraform-konfigurációk érvényesek-e. Ha bármilyen hibát jelez, javítsa ki őket, és futtassa újra a parancsot.

    terraform validate

  2. A parancs futtatásával terraform plan ellenőrizze, hogy a Terraform mit fog tenni a munkaterületen, mielőtt a Terraform ténylegesen elvégzi.

    terraform plan

  3. A parancs futtatásával helyezze üzembe a fürtöt, a jegyzetfüzetet és a feladatot a munkaterületen terraform apply . Amikor a rendszer kéri az üzembe helyezést, írja be yes és nyomja le az Enter billentyűt.

    terraform apply

    A Terraform üzembe helyezi a projektben megadott erőforrásokat. Ezeknek az erőforrásoknak (különösen egy fürtnek) az üzembe helyezése több percet is igénybe vehet.

3. lépés: Az eredmények megismerése

  1. Ha létrehozott egy fürtöt, a parancs kimenetében terraform apply másolja ki a mellette lévő cluster_urlhivatkozást, és illessze be a webböngésző címsorába.

  2. Ha létrehozott egy jegyzetfüzetet, a parancs kimenetében terraform apply másolja ki a mellette lévő notebook_urlhivatkozást, és illessze be a webböngésző címsorába.

    Megjegyzés:

    A jegyzetfüzet használata előtt előfordulhat, hogy testre kell szabnia annak tartalmát. A jegyzetfüzet testreszabásáról a kapcsolódó dokumentációban olvashat.

  3. Ha létrehozott egy feladatot, a parancs kimenetében terraform apply másolja ki a mellette lévő job_urlhivatkozást, és illessze be a webböngésző címsorába.

    Megjegyzés:

    A jegyzetfüzet futtatása előtt előfordulhat, hogy testre kell szabnia annak tartalmát. A jegyzetfüzet testreszabásával kapcsolatos dokumentációt a cikk elején található hivatkozásokon találja.

  4. Ha létrehozott egy feladatot, futtassa a feladatot az alábbiak szerint:

    1. Kattintson a Futtatás gombra a feladatlapon.
    2. Miután a feladat befejeződött, a feladatfuttatás eredményeinek megtekintéséhez kattintson a feladatlap Befejezett futtatások (elmúlt 60 nap) listájában a Kezdési idő oszlopban a legutóbbi időpontra. A Kimenet panel a jegyzetfüzet kódjának futtatásának eredményét jeleníti meg.

4. lépés: Tisztítás

Ebben a lépésben törli az előző erőforrásokat a munkaterületről.

  1. A parancs futtatásával terraform plan ellenőrizze, hogy a Terraform mit fog tenni a munkaterületen, mielőtt a Terraform ténylegesen elvégzi.

    terraform plan

  2. A parancs futtatásával törölje a fürtöt, a jegyzetfüzetet és a feladatot a terraform destroy munkaterületről. Amikor a rendszer kéri a törlést, írja be yes és nyomja le az Enter billentyűt.

    terraform destroy

    A Terraform törli a projektben megadott erőforrásokat.