Obter contexto de tarefa em uma UDF

Use a API TaskContext PySpark para obter informações de contexto durante a execução de um Batch Unity Catalog Python UDF ou PySpark UDF.

Por exemplo, informações de contexto, como a identidade do usuário e as tags de cluster, podem verificar a identidade de um usuário para acessar serviços externos.

Requerimentos

• TaskContext é suportado no Databricks Runtime versões 16.3 e superiores.

• TaskContext é suportado nos seguintes tipos UDF:

  • UDFs Python do Catálogo Batch Unity
  • UDFs Python escalares

Use TaskContext para obter informações de contexto

Selecione uma guia para ver exemplos de TaskContext para UDFs PySpark ou UDFs Python do Batch Unity Catalog .

PySpark UDF

O seguinte exemplo de UDF do PySpark imprime o contexto do usuário:

@udf
def log_context():
  import json
  from pyspark.taskcontext import TaskContext
  tc = TaskContext.get()

  # Returns current user executing the UDF
  session_user = tc.getLocalProperty("user")

  # Returns cluster tags
  tags = dict(item.values() for item in json.loads(tc.getLocalProperty("spark.databricks.clusterUsageTags.clusterAllTags  ") or "[]"))

  # Returns current version details
  current_version = {
    "dbr_version": tc.getLocalProperty("spark.databricks.clusterUsageTags.sparkVersion"),
    "dbsql_version": tc.getLocalProperty("spark.databricks.clusterUsageTags.dbsqlVersion")
  }

  return {
    "user": session_user,
    "job_group_id": job_group_id,
    "tags": tags,
    "current_version": current_version
  }

Batch Unity Catálogo Python UDF

O seguinte exemplo de UDF Python do Batch Unity Catalog obtém a identidade do usuário para chamar uma função do AWS Lambda usando uma credencial de serviço:

%sql
CREATE OR REPLACE FUNCTION main.test.call_lambda_func(data STRING, debug BOOLEAN) RETURNS STRING LANGUAGE PYTHON
PARAMETER STYLE PANDAS
HANDLER 'batchhandler'
CREDENTIALS (
  `batch-udf-service-creds-example-cred` DEFAULT
)
AS $$
import boto3
import json
import pandas as pd
import base64
from pyspark.taskcontext import TaskContext


def batchhandler(it):
  # Automatically picks up DEFAULT credential:
  session = boto3.Session()

  client = session.client("lambda", region_name="us-west-2")

  # Can propagate TaskContext information to lambda context:
  user_ctx = {"custom": {"user": TaskContext.get().getLocalProperty("user")}}

  for vals, is_debug in it:
    payload = json.dumps({"values": vals.to_list(), "is_debug": bool(is_debug[0])})

    res = client.invoke(
      FunctionName="HashValuesFunction",
      InvocationType="RequestResponse",
      ClientContext=base64.b64encode(json.dumps(user_ctx).encode("utf-8")).decode(
        "utf-8"
      ),
      Payload=payload,
    )

    response_payload = json.loads(res["Payload"].read().decode("utf-8"))
    if "errorMessage" in response_payload:
      raise Exception(str(response_payload))

    yield pd.Series(response_payload["values"])
$$;

Chame a UDF depois de ser registada:

SELECT main.test.call_lambda_func(data, false)
FROM VALUES
('abc'),
('def')
AS t(data)

Propriedades TaskContext

O TaskContext.getLocalProperty() método tem as seguintes chaves de propriedade:

Chave do imóvel	Descrição	Utilização de Exemplo
user	O usuário atualmente executando o UDF	tc.getLocalProperty("user") ->"alice"
spark.jobGroup.id	O ID do grupo de trabalho do Spark associado ao UDF atual	tc.getLocalProperty("spark.jobGroup.id") ->"jobGroup-92318"
spark.databricks.clusterUsageTags.clusterAllTags	Tags de metadados de cluster como pares chave-valor formatados como uma representação de cadeia de caracteres de um dicionário JSON	tc.getLocalProperty("spark.databricks.clusterUsageTags.clusterAllTags") ->[{"Department": "Finance"}]
spark.databricks.clusterUsageTags.region	A região onde o espaço de trabalho reside	tc.getLocalProperty("spark.databricks.clusterUsageTags.region") ->"us-west-2"
accountId	ID da conta Databricks para o contexto em execução	tc.getLocalProperty("accountId") ->"1234567890123456"
orgId	ID do espaço de trabalho (não disponível no DBSQL)	tc.getLocalProperty("orgId") ->"987654321"
spark.databricks.clusterUsageTags.sparkVersion	Versão do Databricks Runtime para o cluster (em ambientes não-DBSQL)	tc.getLocalProperty("spark.databricks.clusterUsageTags.sparkVersion") ->"16.3"
spark.databricks.clusterUsageTags.dbsqlVersion	Versão do DBSQL (em ambientes DBSQL)	tc.getLocalProperty("spark.databricks.clusterUsageTags.dbsqlVersion") ->"2024.35"