适用于 Python 的 Databricks Connect 的高级用法

项目
07/17/2024

注意

本文介绍适用于 Databricks Runtime 14.0 及更高版本的 Databricks Connect。

本文介绍的主题超出了 Databricks Connect 的基本设置。

配置 Spark Connect 连接字符串

除了使用“配置与群集的连接”中所述的选项连接到群集之外，更高级的选项是使用 Spark Connect 连接字符串进行连接。可在 remote 函数中传递该字符串，也可设置 SPARK_REMOTE 环境变量。

注意

只能使用 Databricks 个人访问令牌身份验证通过 Spark Connect 连接字符串进行连接。

使用 remote 函数设置连接字符串：

# Set the Spark Connect connection string in DatabricksSession.builder.remote.
from databricks.connect import DatabricksSession

workspace_instance_name = retrieve_workspace_instance_name()
token                   = retrieve_token()
cluster_id              = retrieve_cluster_id()

spark = DatabricksSession.builder.remote(
   f"sc://{workspace_instance_name}:443/;token={token};x-databricks-cluster-id={cluster_id}"
).getOrCreate()

或者，设置 SPARK_REMOTE 环境变量：

sc://<workspace-instance-name>:443/;token=<access-token-value>;x-databricks-cluster-id=<cluster-id>

然后如下所示初始化 DatabricksSession 类：

from databricks.connect import DatabricksSession

spark = DatabricksSession.builder.getOrCreate()

Pyspark shell

适用于 Python 的 Databricks Connect 附带一个 pyspark 二进制文件，该二级制文件是配置为使用 Databricks Connect 的 PySpark REPL (Spark shell)。 REPL 可以通过运行以下命令启动：

pyspark

在没有其他参数的情况下启动时，它会从环境中获取默认凭据（例如 DATABRICKS_ 环境变量或 DEFAULT 配置文件）以连接到 Azure Databricks 群集。

REPL 启动后，spark 对象可以配置为在 Databricks 群集上运行 Apache Spark 命令。

>>> spark.range(3).show()
+---+
| id|
+---+
|  0|
|  1|
|  2|
+---+

通过使用 Spark Connect 连接字符串配置 --remote 参数，可以将 REPL 配置为连接到其他远程服务器。

pyspark --remote "sc://<workspace-instance-name>:443/;token=<access-token-value>;x-databricks-cluster-id=<cluster-id>"

若要停止该 shell，请按 Ctrl + d 或 Ctrl + z，或者运行命令 quit() 或 exit()。

其他 HTTP 标头

Databricks Connect 通过 HTTP/2 使用 gRPC 与 Databricks 群集通信。

某些高级用户可能选择在客户端和 Azure Databricks 群集之间安装代理服务，以便更好地控制来自其客户端的请求。

在某些情况下，代理可能需要 HTTP 请求中的自定义标头。

headers() 方法可用于将自定义标头添加到其 HTTP 请求。

spark = DatabricksSession.builder.header('x-custom-header', 'value').getOrCreate()

Certificates

如果群集依赖于自定义 SSL/TLS 证书来解析 Azure Databricks 工作区完全限定的域名 (FQDN)，则必须在本地开发计算机上设置环境变量 GRPC_DEFAULT_SSL_ROOTS_FILE_PATH。此环境变量必须设置为群集上已安装证书的完整路径。

例如，在 Python 代码中设置此环境变量，如下所示：

import os

os.environ["GRPC_DEFAULT_SSL_ROOTS_FILE_PATH"] = "/etc/ssl/certs/ca-bundle.crt"

有关设置环境变量的其他方式，请参阅操作系统的文档。

日志记录和调试日志

适用于 Python 的 Databricks Connect 使用标准 Python 日志记录生成日志。

日志将发送到标准错误流 (stderr)，默认情况下，仅发出 WARN 级别和更高级别的日志。

设置环境变量 SPARK_CONNECT_LOG_LEVEL=debug 将修改此默认值，并打印 DEBUG 级别及更高级别的所有日志消息。

通过