協調筆記本，並將筆記本中的程式代碼模組化

瞭解如何協調筆記本，並將筆記本中的程式代碼模組化。請參閱範例並瞭解何時使用筆記本自動化流程的其他方法。

協調流程和程式代碼模組化方法

下表比較可用來協調筆記本的方法，並將筆記本中的程式代碼模組化。

方法	用例	筆記
Lakeflow 作業	筆記本編排（建議）	協調筆記本的建議方法。支援具有工作相依性、排程和觸發程序的複雜工作流程。為生產工作負載提供健全且可擴展的方案，但需要設置和配置。
dbutils.notebook.run（）	筆記本協調流程	如果工作無法支援您的使用案例，例如需要在一組動態參數上重複運行筆記本，請使用 `dbutils.notebook.run()`。針對每個呼叫啟動新的暫時作業，這可能會增加額外負荷，而且缺少進階排程功能。
工作區檔案	程式代碼模組化（建議）	模組化程式代碼的建議方法。將程式代碼模組化為儲存在工作區中的可重複使用程式代碼檔案。支援使用存放庫進行版本控制，並與 IDE 整合，以便進行更好的偵錯和單元測試。需要額外的設定來管理檔案路徑和相依性。
%run	程式代碼模組化	如果您無法存取工作區檔案，請使用 `%run` 。透過內嵌執行，從其他筆記本匯入函式或變數。適用於原型設計，但可能會導致緊密結合的程式代碼難以維護。不支持參數傳遞或版本控制。

`%run` 與 `dbutils.notebook.run()`

%run命令可讓您在筆記本中嵌入另一個筆記本。您可以使用 %run，將支援函式放在個別的筆記本中，將程式代碼模組化。您也可以使用它來串接分析中執行步驟的筆記本。當您使用 %run時，會立即執行呼叫的 Notebook，並在其中定義的函數與變數會在呼叫 Notebook 時可供使用。

dbutils.notebook API 可補充 %run，因為它可讓您將參數傳遞至筆記本並傳回值。這可讓您組建具有相依性的複雜工作流程和管線。例如，您可以取得目錄中的檔案清單，並將名稱傳遞到另一個筆記本，這在 %run中則是不可能的。您也可以根據傳回值建立 if-then-else 工作流程。

不同於 %run，方法 dbutils.notebook.run() 會啟動新的作業來執行 Notebook。

與所有 dbutils API 一樣，這些方法僅在 Python 與 Scala 中提供。不過，您可以使用 dbutils.notebook.run() 來叫用 R Notebook。

使用 `%run` 匯入筆記本

在此範例中，第一個 Notebook 會定義函數 reverse，在您使用 %run magic 執行 shared-code-notebook 之後，其可用於第二個 Notebook。

共用程式碼筆記本

Notebook 匯入範例

由於這兩個筆記本都位於工作區中的相同目錄中，因此，請在 ./ 中使用前置詞 ./shared-code-notebook，以表示路徑應該相對於目前正在執行的筆記本進行解析。您可以將 Notebook 組織成目錄，例如 %run ./dir/notebook，或使用像 %run /Users/username@organization.com/directory/notebook 之類的絕對路徑。

注意

%run 必須單獨在儲存格中，因為它會執行整個 Notebook 內嵌。
你無法用執行一個Python檔案，然後將該檔案中定義的實體%run匯入到筆記本中。要從 Python 檔案匯入，請參考用 files模組化你的程式碼。或者，把檔案打包成一個Python函式庫，從該Python函式庫建立一個Azure Databricks函式庫，然後將該函式庫安裝到你用來執行筆記本的叢集中。
當您使用 %run 來執行包含小工具的筆記本時，根據預設，指定的筆記本會以小工具的預設值執行。您也可以將值傳遞至小工具，詳情請參閱使用 Databricks 小工具搭配 %run。

使用 `dbutils.notebook.run` 啟動新作業

執行 Notebook 並傳回其結束值。該方法會啟動立即執行的暫時作業。

dbutils.notebook API 所提供的方法是 run與 exit。參數和傳回值都必須是字串。

run(path: String, timeout_seconds: int, arguments: Map): String

timeout_seconds 參數會控制執行的逾時（0 表示沒有逾時）。呼叫 run 如果在指定的時間內未完成，會擲回例外狀況。如果Azure Databricks宕機超過 10 分鐘，筆記本執行會失敗，不管 timeout_seconds。

arguments 參數會設定目標筆記本的小工具值。具體來說，如果您正在執行的 Notebook 有名稱為 A 的控制項，而且您會將索引鍵/值組 ("A": "B") 做為引數中的一部分傳遞給 run() 呼叫，則取得控制項 A 的值會傳回 "B"。你可以在 Databricks 的小工具頁面找到建立和使用元件的說明。

注意

arguments 參數只接受拉丁字元（ASCII 字元集）。使用非 ASCII 字元會傳回錯誤。
使用 dbutils.notebook API 建立的工作必須在 30 天內完成。

`run` 使用情況

Python

dbutils.notebook.run("notebook-name", 60, {"argument": "data", "argument2": "data2", ...})

程式語言 Scala

dbutils.notebook.run("notebook-name", 60, Map("argument" -> "data", "argument2" -> "data2", ...))

在筆記本之間傳遞結構化數據

本章節說明如何在 Notebook 之間傳遞結構化資料。

Python

# Example 1 - returning data through temporary views.
# You can only return one string using dbutils.notebook.exit(), but since called notebooks reside in the same JVM, you can
# return a name referencing data stored in a temporary view.

## In callee notebook
spark.range(5).toDF("value").createOrReplaceGlobalTempView("my_data")
dbutils.notebook.exit("my_data")

## In caller notebook
returned_table = dbutils.notebook.run("LOCATION_OF_CALLEE_NOTEBOOK", 60)
global_temp_db = spark.conf.get("spark.sql.globalTempDatabase")
display(table(global_temp_db + "." + returned_table))

# Example 2 - returning data through DBFS.
# For larger datasets, you can write the results to DBFS and then return the DBFS path of the stored data.

## In callee notebook
dbutils.fs.rm("/tmp/results/my_data", recurse=True)
spark.range(5).toDF("value").write.format("parquet").save("dbfs:/tmp/results/my_data")
dbutils.notebook.exit("dbfs:/tmp/results/my_data")

## In caller notebook
returned_table = dbutils.notebook.run("LOCATION_OF_CALLEE_NOTEBOOK", 60)
display(spark.read.format("parquet").load(returned_table))

# Example 3 - returning JSON data.
# To return multiple values, you can use standard JSON libraries to serialize and deserialize results.

## In callee notebook
import json
dbutils.notebook.exit(json.dumps({
  "status": "OK",
  "table": "my_data"
}))

## In caller notebook
import json

result = dbutils.notebook.run("LOCATION_OF_CALLEE_NOTEBOOK", 60)
print(json.loads(result))

程式語言 Scala

// Example 1 - returning data through temporary views.
// You can only return one string using dbutils.notebook.exit(), but since called notebooks reside in the same JVM, you can
// return a name referencing data stored in a temporary view.

/** In callee notebook */
sc.parallelize(1 to 5).toDF().createOrReplaceGlobalTempView("my_data")
dbutils.notebook.exit("my_data")

/** In caller notebook */
val returned_table = dbutils.notebook.run("LOCATION_OF_CALLEE_NOTEBOOK", 60)
val global_temp_db = spark.conf.get("spark.sql.globalTempDatabase")
display(table(global_temp_db + "." + returned_table))

// Example 2 - returning data through DBFS.
// For larger datasets, you can write the results to DBFS and then return the DBFS path of the stored data.

/** In callee notebook */
dbutils.fs.rm("/tmp/results/my_data", recurse=true)
sc.parallelize(1 to 5).toDF().write.format("parquet").save("dbfs:/tmp/results/my_data")
dbutils.notebook.exit("dbfs:/tmp/results/my_data")

/** In caller notebook */
val returned_table = dbutils.notebook.run("LOCATION_OF_CALLEE_NOTEBOOK", 60)
display(sqlContext.read.format("parquet").load(returned_table))

// Example 3 - returning JSON data.
// To return multiple values, use standard JSON libraries to serialize and deserialize results.

/** In callee notebook */

// Import jackson json libraries
import com.fasterxml.jackson.module.scala.DefaultScalaModule
import com.fasterxml.jackson.module.scala.experimental.ScalaObjectMapper
import com.fasterxml.jackson.databind.ObjectMapper

// Create a json serializer
val jsonMapper = new ObjectMapper with ScalaObjectMapper
jsonMapper.registerModule(DefaultScalaModule)

// Exit with json
dbutils.notebook.exit(jsonMapper.writeValueAsString(Map("status" -> "OK", "table" -> "my_data")))

/** In caller notebook */

// Import jackson json libraries
import com.fasterxml.jackson.module.scala.DefaultScalaModule
import com.fasterxml.jackson.module.scala.experimental.ScalaObjectMapper
import com.fasterxml.jackson.databind.ObjectMapper

// Create a json serializer
val jsonMapper = new ObjectMapper with ScalaObjectMapper
jsonMapper.registerModule(DefaultScalaModule)

val result = dbutils.notebook.run("LOCATION_OF_CALLEE_NOTEBOOK", 60)
println(jsonMapper.readValue[Map[String, String]](result))

處理錯誤

本章節說明如何處理錯誤。

Python

# Errors throw a WorkflowException.

def run_with_retry(notebook, timeout, args = {}, max_retries = 3):
  num_retries = 0
  while True:
    try:
      return dbutils.notebook.run(notebook, timeout, args)
    except Exception as e:
      if num_retries > max_retries:
        raise e
      else:
        print("Retrying error", e)
        num_retries += 1

run_with_retry("LOCATION_OF_CALLEE_NOTEBOOK", 60, max_retries = 5)

程式語言 Scala

// Errors throw a WorkflowException.

import com.databricks.WorkflowException

// Since dbutils.notebook.run() is just a function call, you can retry failures using standard Scala try-catch
// control flow. Here, we show an example of retrying a notebook a number of times.
def runRetry(notebook: String, timeout: Int, args: Map[String, String] = Map.empty, maxTries: Int = 3): String = {
  var numTries = 0
  while (true) {
    try {
      return dbutils.notebook.run(notebook, timeout, args)
    } catch {
      case e: WorkflowException if numTries < maxTries =>
        println("Error, retrying: " + e)
    }
    numTries += 1
  }
  "" // not reached
}

runRetry("LOCATION_OF_CALLEE_NOTEBOOK", timeout = 60, maxTries = 5)

同時執行多個 Notebook

你可以同時運行多個筆記本，使用標準 Scala 和 Python 結構，例如 Threads（Scala，Python）和 Futures（Scala，Python）。範例筆記本會示範如何使用這些建構。

下載下列四個筆記本。這些筆記本是以 Scala 撰寫的。
將 Notebook 匯入工作區中的單一資料夾。
執行並行運行 Notebook。

意見反應

此頁面對您有幫助嗎？

Last updated on 2026-04-19

協調筆記本，並將筆記本中的程式代碼模組化

協調流程和程式代碼模組化方法

%run 與 dbutils.notebook.run()

使用 %run 匯入筆記本

使用 dbutils.notebook.run 啟動新作業

run 使用情況

Python

程式語言 Scala

在筆記本之間傳遞結構化數據

Python

程式語言 Scala

處理錯誤

Python

程式語言 Scala

同時執行多個 Notebook

同時執行筆記本

在 Notebook 中平行運行

測試筆記本

Testing-2 筆記本

意見反應

其他資源

`%run` 與 `dbutils.notebook.run()`

使用 `%run` 匯入筆記本

使用 `dbutils.notebook.run` 啟動新作業

`run` 使用情況