Memuat data menggunakan tabel streaming di Databricks SQL
Databricks merekomendasikan penggunaan tabel streaming untuk menyerap data menggunakan Databricks SQL. Tabel streaming adalah tabel yang terdaftar di Unity Catalog dengan dukungan tambahan untuk pemrosesan data streaming atau inkremental. Alur Delta Live Tables secara otomatis dibuat untuk setiap tabel streaming. Anda dapat menggunakan tabel streaming untuk pemuatan data bertahap dari Kafka dan penyimpanan objek cloud.
Artikel ini menunjukkan penggunaan tabel streaming untuk memuat data dari penyimpanan objek cloud yang dikonfigurasi sebagai volume Katalog Unity (disarankan) atau lokasi eksternal.
Catatan
Untuk mempelajari cara menggunakan tabel Delta Lake sebagai sumber streaming dan sink, lihat Baca dan tulis streaming tabel Delta.
Penting
Tabel streaming yang dibuat di Databricks SQL didukung oleh alur Delta Live Tables tanpa server. Ruang kerja Anda harus mendukung alur tanpa server untuk menggunakan fungsionalitas ini.
Sebelum Anda memulai
Sebelum memulai, Anda harus memenuhi persyaratan berikut.
Persyaratan ruang kerja:
- Akun Azure Databricks dengan diaktifkan tanpa server. Untuk informasi selengkapnya, lihat Mengaktifkan gudang SQL tanpa server.
- Ruang kerja dengan Katalog Unity diaktifkan. Untuk informasi selengkapnya, lihat Menyiapkan dan mengelola Katalog Unity.
Persyaratan komputasi:
Anda harus menggunakan salah satu hal berikut:
Gudang SQL yang menggunakan
Current
saluran.Komputasi dengan mode akses bersama pada Databricks Runtime 13.3 LTS atau lebih tinggi.
Komputasi dengan mode akses pengguna tunggal pada Databricks Runtime 15.4 LTS atau lebih tinggi.
Pada Databricks Runtime 15.3 ke bawah, Anda tidak dapat menggunakan komputasi pengguna tunggal untuk mengkueri tabel streaming yang dimiliki oleh pengguna lain. Anda dapat menggunakan komputasi pengguna tunggal pada Databricks Runtime 15.3 ke bawah hanya jika Anda memiliki tabel streaming. Pembuat tabel adalah pemiliknya.
Databricks Runtime 15.4 LTS ke atas mendukung kueri pada tabel yang dihasilkan Delta Live Tables pada komputasi pengguna tunggal, terlepas dari kepemilikan tabel. Untuk memanfaatkan pemfilteran data yang disediakan dalam Databricks Runtime 15.4 LTS ke atas, Anda harus mengonfirmasi bahwa ruang kerja Anda diaktifkan untuk komputasi tanpa server karena fungsionalitas pemfilteran data yang mendukung tabel yang dihasilkan Delta Live Tables berjalan pada komputasi tanpa server. Anda dapat dikenakan biaya untuk sumber daya komputasi tanpa server saat Anda menggunakan komputasi pengguna tunggal untuk menjalankan operasi pemfilteran data. Lihat Kontrol akses halus pada komputasi pengguna tunggal.
Persyaratan izin:
- Hak
READ FILES
istimewa pada lokasi eksternal Katalog Unity. Untuk informasi, lihat Membuat lokasi eksternal untuk menyambungkan penyimpanan cloud ke Azure Databricks. - Hak
USE CATALOG
istimewa pada katalog tempat Anda membuat tabel streaming. - Hak
USE SCHEMA
istimewa pada skema tempat Anda membuat tabel streaming. - Hak
CREATE TABLE
istimewa pada skema tempat Anda membuat tabel streaming.
Persyaratan lain:
Jalur ke data sumber Anda.
Contoh jalur volume:
/Volumes/<catalog>/<schema>/<volume>/<path>/<file-name>
Contoh jalur lokasi eksternal:
abfss://myContainer@myStorageAccount.dfs.core.windows.net/analysis
Catatan
Artikel ini mengasumsikan data yang ingin Anda muat berada di lokasi penyimpanan cloud yang sesuai dengan volume Katalog Unity atau lokasi eksternal yang dapat Anda akses.
Menemukan dan mempratinjau data sumber
Di bilah samping ruang kerja Anda, klik Kueri, lalu klik Buat kueri.
Di editor kueri, pilih gudang SQL yang menggunakan
Current
saluran dari daftar drop-down.Tempelkan yang berikut ini ke editor, ganti nilai dalam tanda kurung sudut (
<>
) untuk informasi yang mengidentifikasi data sumber Anda, lalu klik Jalankan.Catatan
Anda mungkin mengalami kesalahan inferensi skema saat menjalankan
read_files
fungsi bernilai tabel jika default untuk fungsi tidak dapat mengurai data Anda. Misalnya, Anda mungkin perlu mengonfigurasi mode multibaris untuk file CSV atau JSON multibaris. Untuk daftar opsi pengurai, lihat read_files fungsi bernilai tabel./* Discover your data in a volume */ LIST "/Volumes/<catalog>/<schema>/<volume>/<path>/<folder>" /* Preview your data in a volume */ SELECT * FROM read_files("/Volumes/<catalog>/<schema>/<volume>/<path>/<folder>") LIMIT 10 /* Discover your data in an external location */ LIST "abfss://<container>@<storage-account>.dfs.core.windows.net/<path>/<folder>" /* Preview your data */ SELECT * FROM read_files("abfss://<container>@<storage-account>.dfs.core.windows.net/<path>/<folder>") LIMIT 10
Memuat data ke dalam tabel streaming
Untuk membuat tabel streaming dari data di penyimpanan objek cloud, tempelkan yang berikut ini ke editor kueri, lalu klik Jalankan:
/* Load data from a volume */
CREATE OR REFRESH STREAMING TABLE <table-name> AS
SELECT * FROM STREAM read_files('/Volumes/<catalog>/<schema>/<volume>/<path>/<folder>')
/* Load data from an external location */
CREATE OR REFRESH STREAMING TABLE <table-name> AS
SELECT * FROM STREAM read_files('abfss://<container>@<storage-account>.dfs.core.windows.net/<path>/<folder>')
Mengatur saluran runtime
Tabel streaming yang dibuat menggunakan gudang SQL secara otomatis di-refresh menggunakan alur Delta Live Tables. Alur Tabel Langsung Delta menggunakan runtime di current
saluran secara default. Lihat Catatan rilis Tabel Langsung Delta dan proses peningkatan rilis untuk mempelajari tentang proses rilis.
Databricks merekomendasikan penggunaan current
saluran untuk beban kerja produksi. Fitur baru pertama kali dirilis ke preview
saluran. Anda dapat mengatur alur ke pratinjau saluran Tabel Langsung Delta untuk menguji fitur baru dengan menentukan preview
sebagai properti tabel. Anda dapat menentukan properti ini saat membuat tabel atau setelah tabel dibuat menggunakan pernyataan ALTER.
Contoh kode berikut menunjukkan cara mengatur saluran untuk dipratinjau dalam pernyataan CREATE:
CREATE OR REPLACE MATERIALIZED VIEW foo.default.bar
TBLPROPERTIES ('pipelines.channel' = 'preview') as
SELECT
*
FROM
range(5)
Segarkan tabel streaming menggunakan alur DLT
Bagian ini menjelaskan pola untuk me-refresh tabel streaming dengan data terbaru yang tersedia dari sumber yang ditentukan dalam kueri.
Saat Anda CREATE
atau REFRESH
tabel streaming, proses pembaruan menggunakan alur Delta Live Tables tanpa server. Setiap tabel streaming yang Anda tentukan memiliki alur Delta Live Tables terkait.
Setelah Anda menjalankan perintah REFRESH
, tautan alur DLT dikembalikan. Anda dapat menggunakan tautan alur DLT untuk memeriksa status refresh.
Catatan
Hanya pemilik tabel yang dapat memperbarui tabel streaming untuk mendapatkan data terbaru. Pengguna yang membuat tabel adalah pemilik, dan pemilik tidak dapat diubah. Anda mungkin perlu me-refresh tabel streaming sebelum menggunakan kueri perjalanan waktu .
Lihat Apa yang dimaksud dengan Delta Live Tables?.
Menyerap data baru saja
Secara default, fungsi read_files
membaca semua data yang ada di direktori sumber selama pembuatan tabel, lalu memproses rekaman yang baru tiba dengan setiap refresh.
Untuk menghindari penyerapan data yang sudah ada di direktori sumber pada saat pembuatan tabel, atur opsi includeExistingFiles
ke false
. Ini berarti bahwa hanya data yang tiba di direktori setelah pembuatan tabel diproses. Contohnya:
CREATE OR REFRESH STREAMING TABLE my_bronze_table
AS SELECT *
FROM STREAM read_files(
'abfss://myContainer@myStorageAccount.dfs.core.windows.net/analysis/*/*/*.json',
includeExistingFiles => false)
Merefresh tabel streaming sepenuhnya
Refresh penuh memproses ulang semua data yang tersedia di sumber dengan definisi terbaru. Tidak disarankan untuk memanggil refresh penuh pada sumber yang tidak menyimpan seluruh riwayat data atau memiliki periode retensi singkat, seperti Kafka, karena refresh penuh memotong data yang ada. Anda mungkin tidak dapat memulihkan data lama jika data tidak lagi tersedia di sumbernya.
Contohnya:
REFRESH STREAMING TABLE my_bronze_table FULL
Menjadwalkan tabel streaming untuk refresh otomatis
Untuk mengonfigurasi tabel streaming agar di-refresh secara otomatis berdasarkan jadwal yang ditentukan, tempelkan yang berikut ini ke editor kueri, lalu klik Jalankan:
ALTER STREAMING TABLE
[[<catalog>.]<database>.]<name>
ADD [SCHEDULE [REFRESH]
CRON '<cron-string>'
[ AT TIME ZONE '<timezone-id>' ]];
Untuk melihat contoh kueri jadwal refresh, lihat ALTER STREAMING TABLE.
Melacak status refresh
Anda dapat melihat status refresh tabel streaming dengan melihat alur yang mengelola tabel streaming di UI Tabel Langsung Delta atau dengan melihat Informasi Refresh yang dikembalikan oleh DESCRIBE EXTENDED
perintah untuk tabel streaming.
DESCRIBE EXTENDED <table-name>
Penyerapan streaming dari Kafka
Untuk contoh penyerapan streaming dari Kafka, lihat read_kafka.
Memberi pengguna akses ke tabel streaming
Untuk memberi pengguna SELECT
hak istimewa pada tabel streaming sehingga mereka bisa mengkuerinya, tempelkan yang berikut ini ke editor kueri, lalu klik Jalankan:
GRANT SELECT ON TABLE <catalog>.<schema>.<table> TO <user-or-group>
Untuk informasi selengkapnya tentang memberikan hak istimewa pada objek yang dapat diamankan Katalog Unity, lihat Hak istimewa Katalog Unity dan objek yang dapat diamankan.
Memantau eksekusi menggunakan riwayat kueri
Anda bisa menggunakan halaman riwayat kueri untuk mengakses detail kueri dan profil kueri yang dapat membantu Anda mengidentifikasi kueri dan penyempitan yang berkinerja buruk di alur Tabel Langsung Delta yang digunakan untuk menjalankan pembaruan tabel streaming Anda. Untuk gambaran umum jenis informasi yang tersedia dalam riwayat kueri dan profil kueri, lihat Riwayat kueri dan Profil kueri.
Penting
Fitur ini ada di Pratinjau Publik. Admin ruang kerja dapat mengaktifkan fitur ini dari halaman Pratinjau . Lihat Mengelola Pratinjau Azure Databricks.
Semua pernyataan yang terkait dengan tabel streaming muncul dalam riwayat kueri. Anda dapat menggunakan filter drop-down Pernyataan untuk memilih perintah apa pun dan memeriksa kueri terkait. Semua CREATE
pernyataan diikuti oleh REFRESH
pernyataan yang dijalankan secara asinkron pada alur Delta Live Tables. Pernyataan REFRESH
biasanya mencakup rencana kueri terperinci yang memberikan wawasan tentang mengoptimalkan performa.
Untuk mengakses REFRESH
pernyataan di antarmuka pengguna riwayat kueri, gunakan langkah-langkah berikut:
- Klik
di bilah sisi kiri untuk membuka UI Riwayat Kueri.
- Pilih kotak centang REFRESH dari filter drop-down pernyataan .
- Klik nama pernyataan kueri untuk menampilkan detail ringkasan seperti durasi kueri dan metrik agregat.
- Klik Lihat profil kueri untuk membuka profil kueri. Lihat Profil kueri untuk detail tentang menavigasi profil kueri.
- Secara opsional, Anda bisa menggunakan tautan di bagian Sumber Kueri untuk membuka kueri atau alur terkait.
Anda juga dapat mengakses detail kueri menggunakan tautan di editor SQL atau dari buku catatan yang dilampirkan ke gudang SQL.
Catatan
Tabel streaming Anda harus dikonfigurasi untuk dijalankan menggunakan saluran pratinjau . Lihat Mengatur saluran runtime.