Crie clusters, Notebook e Job com o Terraform
Este artigo mostra como usar o provedorDatabricks Terraform para criar um clusterum Notebook e um Job em um site existente Databricks workspace.
Este artigo é um companheiro para os seguintes artigos do Databricks que estão começando a começar:
Execução de sua primeira carga de trabalho ETL no Databricks, que usa clusters de uso geral, um Python Notebook e um Job para executar o Notebook.
O senhor pode começar: Consulte e visualize dados de um Notebook, que usa um cluster de uso geral e um SQL Notebook.
Você também pode adaptar as configurações do Terraform nestes artigos para criar clusters personalizados, Notebook e Job em seu workspace.
o passo 1: Criar e configurar o projeto Terraform
Crie um projeto Terraform seguindo as instruções na seção Requisitos dos artigos de visão geral do provedor Databricks Terraform.
Para criar clusters, crie um arquivo chamado
cluster.tf
e adicione o conteúdo a seguir ao arquivo. Este conteúdo cria clusters com a menor quantidade de recurso permitida. Esses clusters usam a versão mais recente do Databricks Runtime Long Term Support (LTS).variable "cluster_name" { description = "A name for the cluster." type = string default = "My Cluster" } variable "cluster_autotermination_minutes" { description = "How many minutes before automatically terminating due to inactivity." type = number default = 60 } variable "cluster_num_workers" { description = "The number of workers." type = number default = 1 } # Create the cluster with the "smallest" amount # of resources allowed. data "databricks_node_type" "smallest" { local_disk = true } # Use the latest Databricks Runtime # Long Term Support (LTS) version. data "databricks_spark_version" "latest_lts" { long_term_support = true } resource "databricks_cluster" "this" { cluster_name = var.cluster_name node_type_id = data.databricks_node_type.smallest.id spark_version = data.databricks_spark_version.latest_lts.id autotermination_minutes = var.cluster_autotermination_minutes num_workers = var.cluster_num_workers } output "cluster_url" { value = databricks_cluster.this.url }
Para criar clusters, crie outro arquivo chamado
cluster.auto.tfvars
e adicione o conteúdo a seguir ao arquivo. Este arquivo contém valores de variáveis para customizar os clusters. Substitua os valores do espaço reservado pelos seus próprios valores.cluster_name = "My Cluster" cluster_autotermination_minutes = 60 cluster_num_workers = 1
Para criar um Notebook, crie outro arquivo chamado
notebook.tf
e adicione o seguinte conteúdo ao arquivo:variable "notebook_subdirectory" { description = "A name for the subdirectory to store the notebook." type = string default = "Terraform" } variable "notebook_filename" { description = "The notebook's filename." type = string } variable "notebook_language" { description = "The language of the notebook." type = string } resource "databricks_notebook" "this" { path = "${data.databricks_current_user.me.home}/${var.notebook_subdirectory}/${var.notebook_filename}" language = var.notebook_language source = "./${var.notebook_filename}" } output "notebook_url" { value = databricks_notebook.this.url }
Se você estiver criando clusters, salve o seguinte código Notebook em um arquivo no mesmo diretório do arquivo
notebook.tf
:Para o Python Notebook para execução de sua primeira carga de trabalho ETL no Databricks, um arquivo chamado
notebook-getting-started-etl-quick-start.py
com o seguinte conteúdo:# Databricks notebook source # 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)) # COMMAND ---------- df = spark.read.table(table_name) # COMMAND ---------- display(df)
Para o SQL Notebook para Get começar: Consultar e visualizar dados de um Notebook, um arquivo chamado
notebook-getting-started-quick-start.sql
com o seguinte conteúdo:-- Databricks notebook source -- MAGIC %python -- MAGIC diamonds = (spark.read -- MAGIC .format("csv") -- MAGIC .option("header", "true") -- MAGIC .option("inferSchema", "true") -- MAGIC .load("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv") -- MAGIC ) -- MAGIC -- MAGIC diamonds.write.format("delta").save("/mnt/delta/diamonds") -- COMMAND ---------- DROP TABLE IF EXISTS diamonds; CREATE TABLE diamonds USING DELTA LOCATION '/mnt/delta/diamonds/' -- COMMAND ---------- SELECT color, avg(price) AS price FROM diamonds GROUP BY color ORDER BY COLOR
Se você estiver criando um Notebook, crie outro arquivo chamado
notebook.auto.tfvars
e adicione o conteúdo a seguir ao arquivo. Este arquivo contém valores variáveis para personalizar a configuração Notebook .Para o Python Notebook para execução de sua primeira carga de trabalho ETL no Databricks:
notebook_subdirectory = "Terraform" notebook_filename = "notebook-getting-started-etl-quick-start.py" notebook_language = "PYTHON"
Para o site SQL Notebook para Get começar: Consultar e visualizar dados de um site Notebook:
notebook_subdirectory = "Terraform" notebook_filename = "notebook-getting-started-quickstart.sql" notebook_language = "SQL"
Se você estiver criando um Notebook, em seu workspace do Databricks, certifique-se de configurar todos os requisitos para que o Notebook seja executado com sucesso, consultando as seguintes instruções para:
O Python Notebook para execução de sua primeira carga de trabalho ETL no Databricks
O site SQL Notebook para o Get Começar: Consultar e visualizar dados de um Notebook
Para criar o Job, crie outro arquivo chamado
job.tf
e adicione o conteúdo a seguir ao arquivo. Este conteúdo cria um Job para execução do Notebook.variable "job_name" { description = "A name for the job." type = string default = "My Job" } variable "task_key" { description = "A name for the task." type = string default = "my_task" } resource "databricks_job" "this" { name = var.job_name task { task_key = var.task_key existing_cluster_id = databricks_cluster.this.cluster_id notebook_task { notebook_path = databricks_notebook.this.path } } email_notifications { on_success = [ data.databricks_current_user.me.user_name ] on_failure = [ data.databricks_current_user.me.user_name ] } } output "job_url" { value = databricks_job.this.url }
Se você estiver criando um Job, crie outro arquivo chamado
job.auto.tfvars
e adicione o conteúdo a seguir ao arquivo. Este arquivo contém um valor variável para personalizar a configuração Job .job_name = "My Job" task_key = "my_task"
Passo 2: Execução das configurações
Nesta passo, você executa as configurações do Terraform para aprimorar os clusters, o Notebook e o Job em seu workspace do Databricks.
Verifique se suas configurações do Terraform são válidas executando o comando
terraform validate
. Se algum erro for relatado, corrija-o e execute o comando novamente.terraform validate
Verifique o que o Terraform fará em seu workspace, antes que o Terraform realmente o faça, executando o comando
terraform plan
.terraform plan
aprimore os clusters, o Notebook e o Job em seu workspace executando o comando
terraform apply
. Quando solicitado a melhorar, digiteyes
e pressione Enter.terraform apply
A Terraform aprimorou os recursos que estão especificados em seu projeto. aprimorar esses recursos (especialmente um clusters) pode levar vários minutos.
Passo 3: Explorar os resultados
Se você criou um clusters, na saída do comando
terraform apply
, copie o link ao lado decluster_url
e cole-o na barra de endereços do navegador da web.Se você criou um Notebook, na saída do comando
terraform apply
, copie o link ao lado denotebook_url
e cole-o na barra de endereços do navegador da web.Observação
Antes de usar o Notebook, pode ser necessário personalizar seu conteúdo. Consulte a documentação relacionada sobre como personalizar o Notebook.
Se você criou um Job, na saída do comando
terraform apply
, copie o link ao lado dejob_url
e cole-o na barra de endereços do navegador da web.Observação
Antes de executar o Notebook, você pode precisar customizar seu conteúdo. Consulte os links no início deste artigo para obter a documentação relacionada sobre como personalizar o Notebook.
Se você criou um Job, execute o Job da seguinte forma:
Clique em execução agora na página Job .
Depois que a execução do Job terminar, para view os resultados da execução do Job , na lista Execuções concluídas (últimos 60 dias) na página Job , clique na entrada de tempo mais recente na coluna de horário de início . O painel Output mostra o resultado da execução do código do Notebook .
Passo 4: Limpar
Nesta passo, você exclui os recursos anteriores de seu workspace.
Verifique o que o Terraform fará em seu workspace, antes que o Terraform realmente o faça, executando o comando
terraform plan
.terraform plan
Exclua os clusters, o Notebook e o Job de seu workspace executando o comando
terraform destroy
. Quando solicitado a excluir, digiteyes
e pressione Enter.terraform destroy
O Terraform exclui os recursos especificados em seu projeto.