Databricksで最初のETLワークロードを実行する

Databricksの本番対応ツールを使用して、データオーケストレーション用の最初の抽出、変換、ロード（ETL）パイプラインを開発およびデプロイする方法をご紹介します。

この記事の終わりまでに、以下をスムーズに行えるようになります。

1. Databricks 汎用コンピュート クラスターの起動

2. Databricks ノートブックの作成

3. Auto Loaderを使用したDelta Lakeへの増分データ取り込みの構成

4. ノートブックのセルを実行して、データを処理、クエリー、およびプレビュー

5. ノートブックを Databricks ジョブとしてスケジュール

このチュートリアルでは、対話型ノートブックを使用して、PythonまたはScalaによる一般的なETLタスクを完了します。

Delta Live Tables使用してETLパイプラインを構築することもできます。 DatabricksDelta Live Tables本番運用ETL パイプラインの構築、デプロイ、保守の複雑さを軽減するために を作成しました。「チュートリアル: 最初の Delta Live Tables パイプラインを実行する」を参照してください。

Databricks Terraformプロバイダーを使用してこの記事のリソースを作成することもできます。「Terraformでクラスター、ノートブック、ジョブを作成する」を参照してください。

要件

• Databricksワークスペースにログインしていること。

• クラスターを作成する権限があります。

注

クラスター制御権限がない場合でも、 クラスターにアクセスできる限り、以下のステップのほとんどを完了できます。

ステップ1：クラスターを作成する

探索的データ分析とデータエンジニアリングを行うには、コマンドの実行に必要なコンピュートリソースを提供するクラスターを作成します。

1. サイドバー の 「コンピュート 」をクリックします 。

2. 「コンピュート」ページで、「クラスターを作成」をクリックします。これにより、「新しいクラスター」ページが開きます。

3. クラスターの一意の名前を指定し、残りの値はデフォルトのままにして、「クラスターを作成」をクリックします。

Databricks クラスターの詳細については、「 コンピュート」を参照してください。

ステップ2：Databricksノートブックを作成する

ワークスペースにノートブックを作成するには、サイドバーで「新規」をクリックし、 「新聞」をクリックします。 ワークスペースに空白のノートブックが開きます。

ノートブックの作成と管理の詳細については、「ノートブックの管理」を参照してください。

ステップ3：データをDelta Lakeに取り込むようにAuto Loaderを構成する

Databricks では、増分データの取り込みに Auto Loader を使用することをお勧めします。Auto Loader は、新しいファイルがクラウドオブジェクトストレージに到着すると、自動的に検出して処理します。

Databricksでは、Delta Lakeを使用してデータを保存することをお勧めします。Delta Lakeは、ACIDトランザクションを提供し、データレイクハウスを可能にするオープンソースストレージレイヤーです。Delta Lakeは、Databricksで作成されるデフォルトのテーブル形式です。

Delta Lakeテーブルにデータを取り込むようにAuto Loaderを設定するには、以下のコードをコピーしてノートブックの空のセルに貼り付けます。

# Import functions
from pyspark.sql.functions import col, current_timestamp

# Define variables used in code below
file_path = "/databricks-datasets/structured-streaming/events"
username = spark.sql("SELECT regexp_replace(current_user(), '[^a-zA-Z0-9]', '_')").first()[0]
table_name = f"{username}_etl_quickstart"
checkpoint_path = f"/tmp/{username}/_checkpoint/etl_quickstart"

# Clear out data from previous demo execution
spark.sql(f"DROP TABLE IF EXISTS {table_name}")
dbutils.fs.rm(checkpoint_path, True)

# Configure Auto Loader to ingest JSON data to a Delta table
(spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "json")
  .option("cloudFiles.schemaLocation", checkpoint_path)
  .load(file_path)
  .select("*", col("_metadata.file_path").alias("source_file"), current_timestamp().alias("processing_time"))
  .writeStream
  .option("checkpointLocation", checkpoint_path)
  .trigger(availableNow=True)
  .toTable(table_name))

// Imports
import org.apache.spark.sql.functions.current_timestamp
import org.apache.spark.sql.streaming.Trigger
import spark.implicits._

// Define variables used in code below
val file_path = "/databricks-datasets/structured-streaming/events"
val username = spark.sql("SELECT regexp_replace(current_user(), '[^a-zA-Z0-9]', '_')").first.get(0)
val table_name = s"${username}_etl_quickstart"
val checkpoint_path = s"/tmp/${username}/_checkpoint"

// Clear out data from previous demo execution
spark.sql(s"DROP TABLE IF EXISTS ${table_name}")
dbutils.fs.rm(checkpoint_path, true)

// Configure Auto Loader to ingest JSON data to a Delta table
spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "json")
  .option("cloudFiles.schemaLocation", checkpoint_path)
  .load(file_path)
  .select($"*", $"_metadata.file_path".as("source_file"), current_timestamp.as("processing_time"))
  .writeStream
  .option("checkpointLocation", checkpoint_path)
  .trigger(Trigger.AvailableNow)
  .toTable(table_name)

注

このコードで定義された変数を使用すると、既存のワークスペースアセットや他のユーザーと競合するリスクを負うことなく、コードを安全に実行できます。ネットワークまたはストレージのアクセス許可が制限されていると、このコードを実行するとエラーが発生します。これらの制限のトラブルシューティングについては、ワークスペース管理者に問い合わせてください。

Auto Loaderの詳細については、「Auto Loaderとは」を参照してください。

ステップ4：データを処理し、操作する

ノートブックは、セルごとにロジックを実行します。セル内のロジックを実行するには、以下を実行します。

1. 前の手順で完了したセルを実行するには、セルを選択してSHIFT+ENTERキーを押します。

2. 作成したテーブルを検索するには、以下のコードをコピーして空のセルに貼り付け、Shift+Enterキーを押してセルを実行します。

   df = spark.read.table(table_name)
   

   val df = spark.read.table(table_name)
   

3. DataFrame内のデータをプレビューするには、以下のコードを空のセルにコピーして貼り付け、Shift + Enterキーを押してセルを実行します。

   display(df)
   

   display(df)
   

データを視覚化するための対話型オプションの詳細については、「Databricksノートブックでのビジュアライゼーション」を参照してください。

ステップ5：ジョブをスケジュールする

DatabricksノートブックをDatabricksジョブのタスクとして追加することで、Databricksノートブックを本番運用スクリプトとして実行できます。このステップでは、手動でトリガーできる新しいジョブを作成します。

ノートブックをタスクとしてスケジュールするには、以下を実行します。

1. ヘッダーバーの右側にある「スケジュール」をクリックします。

2. 「ジョブ名」に一意の名前を入力します。

3. 「手動」をクリックします。

4. 「クラスター」ドロップダウンで、ステップ1で作成したクラスターを選択します。

5. 「作成」をクリックします。

6. 表示されるウィンドウで、「今すぐ実行」をクリックします。

7. ジョブ実行の結果を表示するには、[ 最終実行 タイムスタンプ] の横にあるアイコンをクリックします 。

ジョブの詳細については、「Databricksジョブとは」を参照してください。

その他の統合

Databricksを使用したデータエンジニアリングのための統合とツールの詳細をご覧ください。

• お気に入りのIDEを接続する

• Databricksでdbtを使用する

• Databricksコマンドラインインタフェース（CLI）について学ぶ

• Databricks Terraformプロバイダーについて学ぶ