Databricks Connect para R
Nota
Este artigo aborda a sparklyr
integração com o Databricks Connect for Databricks Runtime 13.0 e superior. Esta integração não é fornecida pela Databricks nem suportada diretamente pela Databricks.
Para dúvidas, vá para a Comunidade Posit.
Para relatar problemas, vá para a seção Problemas do sparklyr
repositório no GitHub.
Para obter mais informações, consulte Databricks Connect v2 na sparklyr
documentação.
Este artigo demonstra como começar rapidamente com o Databricks Connect usando R, sparklyr
e RStudio Desktop.
- Para a versão Python deste artigo, consulte Databricks Connect for Python.
- Para a versão Scala deste artigo, consulte Databricks Connect for Scala.
O Databricks Connect permite conectar IDEs populares, como RStudio Desktop, servidores de notebook e outros aplicativos personalizados a clusters do Azure Databricks. Consulte O que é Databricks Connect?.
Tutorial
Este tutorial usa RStudio Desktop e Python 3.10. Se você ainda não os tiver instalados, instale o R e o RStudio Desktop e o Python 3.10.
Para obter informações complementares sobre este tutorial, consulte a seção "Databricks Connect" do Spark Connect e Databricks Connect v2 no sparklyr
site.
Requisitos
Para concluir este tutorial, você deve atender aos seguintes requisitos:
- Seu espaço de trabalho e cluster do Azure Databricks de destino devem atender aos requisitos de configuração do Cluster para Databricks Connect.
- Você deve ter seu ID de cluster disponível. Para obter a ID do cluster, no espaço de trabalho, clique em Computação na barra lateral e, em seguida, clique no nome do cluster. Na barra de endereço do navegador da Web, copie a cadeia de caracteres entre
clusters
econfiguration
no URL.
Etapa 1: Criar um token de acesso pessoal
Nota
Atualmente, a autenticação do Databricks Connect for R suporta apenas tokens de acesso pessoal do Azure Databricks.
Este tutorial usa a autenticação de token de acesso pessoal do Azure Databricks para autenticação com seu espaço de trabalho do Azure Databricks.
Se já tiver um token de acesso pessoal do Azure Databricks, avance para o Passo 2. Se não tiver a certeza se já tem um token de acesso pessoal do Azure Databricks, pode seguir este passo sem afetar quaisquer outros tokens de acesso pessoal do Azure Databricks na sua conta de utilizador.
Para criar um token de acesso pessoal:
- No seu espaço de trabalho do Azure Databricks, clique no seu nome de utilizador do Azure Databricks na barra superior e, em seguida, selecione Definições na lista pendente.
- Clique em Desenvolvedor.
- Ao lado de Tokens de acesso, clique em Gerenciar.
- Clique em Gerar novo token.
- (Opcional) Insira um comentário que o ajude a identificar esse token no futuro e altere o tempo de vida padrão do token de 90 dias. Para criar um token sem tempo de vida (não recomendado), deixe a caixa Tempo de vida (dias) vazia (em branco).
- Clique em Generate (Gerar).
- Copie o token exibido para um local seguro e clique em Concluído.
Nota
Certifique-se de salvar o token copiado em um local seguro. Não partilhe o seu token copiado com outras pessoas. Se você perder o token copiado, não poderá regenerar exatamente o mesmo token. Em vez disso, você deve repetir esse procedimento para criar um novo token. Se você perder o token copiado ou acreditar que o token foi comprometido, o Databricks recomenda que você exclua imediatamente esse token do seu espaço de trabalho clicando no ícone da lixeira (Revogar) ao lado do token na página de tokens do Access.
Se você não conseguir criar ou usar tokens em seu espaço de trabalho, isso pode ser porque o administrador do espaço de trabalho desabilitou tokens ou não lhe deu permissão para criar ou usar tokens. Consulte o administrador do espaço de trabalho ou os seguintes tópicos:
Etapa 2: Criar o projeto
- Inicie o RStudio Desktop.
- No menu principal, clique em Arquivo > Novo Projeto.
- Selecione Novo diretório.
- Selecione New Project (Novo Projeto).
- Para Nome do diretório e Criar projeto como subdiretório de, insira o nome do novo diretório do projeto e onde criar esse novo diretório do projeto.
- Selecione Usar renv com este projeto. Se solicitado a instalar uma versão atualizada do
renv
pacote, clique em Sim. - Clique em Create Project (Criar Projeto).
Etapa 3: Adicionar o pacote Databricks Connect e outras dependências
No menu principal do RStudio Desktop, clique em Ferramentas > Instalar Pacotes.
Deixe Install from set to Repository (CRAN).
Em Pacotes, insira a seguinte lista de pacotes que são pré-requisitos para o pacote Databricks Connect e este tutorial:
sparklyr,pysparklyr,reticulate,usethis,dplyr,dbplyr
Deixe Instalar na Biblioteca definido para o seu ambiente virtual R.
Certifique-se de que Install dependencies (Instalar dependências ) está selecionado.
Clique em Install (Instalar).
Quando lhe for pedido na vista Consola (Ver > Mover Foco para a Consola) para prosseguir com a instalação, introduza
Y
. Ossparklyr
pacotes epysparklyr
e suas dependências são instalados em seu ambiente virtual R.No painel Console, use
reticulate
para instalar o Python executando o seguinte comando. (O Databricks Connect for R requerreticulate
e o Python deve ser instalado primeiro.) No comando a seguir, substitua3.10
pela versão principal e secundária da versão Python instalada no cluster do Azure Databricks. Para encontrar essa versão principal e secundária, consulte a seção "Ambiente do sistema" das notas de versão da versão do Databricks Runtime do cluster em Versões e compatibilidade das notas de versão do Databricks Runtime.reticulate::install_python(version = "3.10")
No painel Console, instale o pacote Databricks Connect executando o seguinte comando. No comando a seguir, substitua
13.3
pela versão do Databricks Runtime instalada no cluster do Azure Databricks. Para localizar esta versão, na página de detalhes do cluster no espaço de trabalho do Azure Databricks, na guia Configuração, consulte a caixa Versão do Tempo de Execução do Databricks.pysparklyr::install_databricks(version = "13.3")
Se você não souber a versão do Databricks Runtime para seu cluster ou não quiser procurá-la, poderá executar o seguinte comando e
pysparklyr
consultará o cluster para determinar a versão correta do Databricks Runtime a ser usada:pysparklyr::install_databricks(cluster_id = "<cluster-id>")
Se você quiser que seu projeto se conecte mais tarde a um cluster diferente que tenha a mesma versão do Databricks Runtime que você acabou de especificar,
pysparklyr
usará o mesmo ambiente Python. Se o novo cluster tiver uma versão diferente do Databricks Runtime, você deverá executar opysparklyr::install_databricks
comando novamente com a nova versão do Databricks Runtime ou ID do cluster.
Etapa 4: Definir variáveis de ambiente para a URL do espaço de trabalho, token de acesso e ID do cluster
O Databricks não recomenda que você codifique valores confidenciais ou alterados, como a URL do espaço de trabalho do Azure Databricks, o token de acesso pessoal do Azure Databricks ou a ID do cluster do Azure Databricks em seus scripts R. Em vez disso, armazene esses valores separadamente, por exemplo, em variáveis de ambiente local. Este tutorial usa o suporte interno do RStudio Desktop para armazenar variáveis de ambiente em um .Renviron
arquivo.
Crie um
.Renviron
arquivo para armazenar as variáveis de ambiente, se esse arquivo ainda não existir, e abra este arquivo para edição: no RStudio Desktop Console, execute o seguinte comando:usethis::edit_r_environ()
.Renviron
No ficheiro apresentado (Ver > Mover Foco para Origem), introduza o seguinte conteúdo. Neste conteúdo, substitua os seguintes espaços reservados:- Substitua
<workspace-url>
pelo URL por espaço de trabalho, por exemplohttps://adb-1234567890123456.7.azuredatabricks.net
. - Substitua
<personal-access-token>
pelo seu token de acesso pessoal do Azure Databricks na Etapa 1. - Substitua
<cluster-id>
pelo ID do cluster a partir dos requisitos deste tutorial.
DATABRICKS_HOST=<workspace-url> DATABRICKS_TOKEN=<personal-access-token> DATABRICKS_CLUSTER_ID=<cluster-id>
- Substitua
Guarde o ficheiro
.Renviron
.Carregue as variáveis de ambiente em R: no menu principal, clique em Session > Restart R.
Etapa 5: adicionar código
No menu principal do RStudio Desktop, clique em File New File > R Script>.
Introduza o seguinte código no ficheiro e, em seguida, guarde o ficheiro (Guardar Ficheiro>) como
demo.R
:library(sparklyr) library(dplyr) library(dbplyr) sc <- sparklyr::spark_connect( master = Sys.getenv("DATABRICKS_HOST"), cluster_id = Sys.getenv("DATABRICKS_CLUSTER_ID"), token = Sys.getenv("DATABRICKS_TOKEN"), method = "databricks_connect", envname = "r-reticulate" ) trips <- dplyr::tbl( sc, dbplyr::in_catalog("samples", "nyctaxi", "trips") ) print(trips, n = 5)
Etapa 6: Executar o código
No RStudio Desktop, na barra de ferramentas do
demo.R
arquivo, clique em Origem.No Console, as cinco primeiras linhas da
trips
tabela aparecem.Na visualização Conexões (Exibir > Mostrar Conexões), você pode explorar catálogos, esquemas, tabelas e modos de exibição disponíveis.
Etapa 7: Depurar o código
demo.R
No arquivo, clique na calha ao lado deprint(trips, n = 5)
para definir um ponto de interrupção.- Na barra de ferramentas do
demo.R
arquivo, clique em Origem. - Quando o código pausa a execução no ponto de interrupção, você pode inspecionar a variável na visualização Ambiente (Exibir > Ambiente de Exibição).
- No menu principal, clique em Depurar > Continuar.
- No Console, as cinco primeiras linhas da
trips
tabela aparecem.