query federada de execução no PostgreSQL

Este artigo descreve como configurar a Lakehouse Federation para executar consultas federadas na execução de consultas em dados PostgreSQL que não são gerenciados por Databricks. Para saber mais sobre a lakehouse Federation, consulte O que é a lakehouse Federation?

Para se conectar às suas consultas de execução no banco de dados PostgreSQL usando a Federação lakehouse , você deve criar o seguinte em seu metastore do Databricks Unity Catalog:

  • Uma conexão com sua query de execução no banco de dados PostgreSQL.

  • Um catálogo externo que espelha a sua query de execução na base de dados PostgreSQL no Catálogo Unity para que possa utilizar a sintaxe query do Catálogo Unity e ferramentas de governação de dados para gerir o acesso do utilizador Databricks à base de dados.

Antes de começar

Requisitos workspace :

  • workspace ativado para Unity Catalog.

requisitos compute :

  • Conectividade de rede do seu recurso compute para os sistemas de banco de dados de destino. Veja as recomendações do Networking para a Lakehouse Federation.

  • Databricks compute deve usar Databricks Runtime 13.3 LTS ou acima e modo de acesso de usuário compartilhado ou único.

  • Os SQL warehouse devem ser Pro ou Serverless e devem utilizar a versão 2023.40 ou superior.

Permissões necessárias:

  • Para criar uma conexão, você deve ser um administrador do metastore ou um usuário com o privilégio CREATE CONNECTION no metastore do Unity Catalog anexado ao workspace.

  • Para criar um catálogo externo, você deve ter a permissão CREATE CATALOG no metastore e ser o proprietário da conexão ou ter o privilégio CREATE FOREIGN CATALOG na conexão.

Requisitos de permissão adicionais são especificados em cada seção baseada em tarefa a seguir.

Criar uma conexão

Uma conexão especifica um caminho e credenciais para acessar um sistema de banco de dados externo. Para criar uma conexão, você pode usar o Catalog Explorer ou o comando SQL CREATE CONNECTION em um Notebook do Databricks ou no editor query Databricks SQL .

Observação

O senhor também pode usar a API REST da Databricks ou a CLI da Databricks para criar uma conexão. Veja POST /api/2.1/unity-catalog/connections e Unity Catalog comando.

Permissões necessárias: administrador ou usuário do metastore com o privilégio CREATE CONNECTION .

  1. No seu workspace do Databricks, clique em Ícone de catálogo Catálogo.

  2. Na parte superior do painel Catálogo, clique no ícone Ícone de adição ou de mais Add e selecione Add a connection (Adicionar uma conexão ) no menu.

    Como alternativa, na página Quick access (Acesso rápido ), clique no botão External data (Dados externos) >, acesse Connections (Conexões ) tab e clique em Create connection (Criar conexão).

  3. Digite um nome de conexão amigável.

  4. Selecione um tipo de conexão de PostgreSQL.

  5. Insira as seguintes propriedades de conexão para sua instância do PostgreSQL.

    • Anfitrião: Por exemplo, postgres-demo.lb123.us-west-2.rds.amazonaws.com

    • Porto: Por exemplo, 5432

    • Usuário: Por exemplo, postgres_user

    • Senha: Por exemplo, password123

  6. (Opcional) Clique em Testar conexão para confirmar se funciona.

  7. (Opcional) Adicione um comentário.

  8. Clique em Criar.

execução do seguinte comando em um Notebook ou no editor query Databricks SQL .

CREATE CONNECTION <connection-name> TYPE postgresql
OPTIONS (
  host '<hostname>',
  port '<port>',
  user '<user>',
  password '<password>'
);

Recomendamos que você use segredos do Databricks em vez de strings de texto sem formatação para valores confidenciais, como credenciais. Por exemplo:

CREATE CONNECTION <connection-name> TYPE postgresql
OPTIONS (
  host '<hostname>',
  port '<port>',
  user secret ('<secret-scope>','<secret-key-user>'),
  password secret ('<secret-scope>','<secret-key-password>')
)

Para obter informações sobre como configurar segredos, consulte Gerenciamento de segredos.

Criar um catálogo estrangeiro

Um catálogo externo espelha um banco de dados em um sistema de dados externo para que você possa query e gerenciar o acesso aos dados nesse banco de dados usando Databricks e Unity Catalog. Para criar um catálogo externo, você usa uma conexão com a fonte de dados que já foi definida.

Para criar um catálogo externo, o senhor pode usar o Catalog Explorer ou o comando CREATE FOREIGN CATALOG SQL em um Databricks Notebook ou o editor de consultas SQL.

Observação

O senhor também pode usar a API REST da Databricks ou a CLI da Databricks para criar um catálogo. Veja POST /api/2.1/unity-catalog/catalogs e Unity Catalog comando.

Permissões necessárias: permissão CREATE CATALOG no metastore e propriedade da conexão ou o privilégio CREATE FOREIGN CATALOG na conexão.

  1. Em seu site Databricks workspace, clique em Ícone de catálogo Catalog para abrir o Catalog Explorer.

  2. Na parte superior do painel Catalog (Catálogo ), clique no ícone Ícone de adição ou de mais Add (Adicionar ) e selecione Add a catalog (Adicionar um catálogo ) no menu.

    Como alternativa, na página de acesso rápido, clique no botão Catalogs (Catálogos ) e, em seguida, clique no botão Create catalog (Criar catálogo ).

  3. Siga as instruções para criar catálogos estrangeiros em Criar catálogos.

Execute o seguinte comando SQL em um editor de consultas Notebook ou SQL. Os itens entre parênteses são opcionais. Substitua os valores do espaço reservado:

  • <catalog-name>: Nome do catálogo no Databricks.

  • <connection-name>: O objeto de conexão que especifica a fonte de dados, o caminho e as credenciais de acesso.

  • <database-name>: Nome do banco de dados que você deseja espelhar como um catálogo no Databricks.

CREATE FOREIGN CATALOG [IF NOT EXISTS] <catalog-name> USING CONNECTION <connection-name>
OPTIONS (database '<database-name>');

Empurrões suportados

Os seguintes pushdowns são suportados em todos compute:

  • Filtros

  • Projeções

  • Limite

  • Funções: parciais, somente para expressões de filtro. funções de strings, funções matemáticas e outras funções diversas, como Alias, Cast, SortOrder)

Os pushdowns a seguir são compatíveis com o Databricks Runtime 13.3 LTS e acima, e com o SQL warehouse:

  • As seguintes funções de agregação: MIN, MAX, COUNT, SUM, AVG, VAR_POP, VAR_SAMP, STDDEV_POP, STDDEV_SAMP, GREATEST, LEAST, COVAR_POP, COVAR_SAMP, CORR, REGR_INTERCEPT, REGR_R2, REGR_SLOPE, REGR_SXY

  • As seguintes funções Boolean: =, <, <, =>, >=, <=>

  • As seguintes funções matemáticas (não suportadas se o ANSI estiver desativado): +, -, *, %, /

  • Operadores diversos | e ~

  • Ordenação, quando usada com limite

Os seguintes pushdowns não são suportados:

  • join

  • funções do Windows

Mapeamentos de tipo de dados

Quando você lê do PostgreSQL para o Spark, os tipos de dados são mapeados da seguinte maneira:

tipo PostgreSQL

Tipo Spark

numérico

Tipo Decimal

int2

ShortType

int4 (se não estiver assinado)

Tipo inteiro

int8, oid, xid, int4 (se assinado)

LongType

float4

FloatType

precisão dupla, float8

DoubleType

Caracteres

CharType

nome, varchar, tid

VarcharType

bpchar, variação de caracteres, JSON, dinheiro, ponto, super, texto

StringType

bytea, geometria, varbyte

Tipo Binário

pouco, bool

BooleanType

data

DataTipo

tabstime, hora, hora com fuso horário, timetz, hora sem fuso horário, timestamp com fuso horário, timestamp, timestamptz, timestamp sem fuso horário*

TimestampType/TimestampNTZType

Tipo de array Postgresql**

ArrayType

*Quando você lê do Postgresql, Postgresql Timestamp é mapeado para Spark TimestampType se preferTimestampNTZ = false (default). Postgresql Timestamp é mapeado para TimestampNTZType se preferTimestampNTZ = true.

**Tipos de array limitados são suportados.