Connettiti a Databricks

In qualità di amministratore di BigQuery, puoi creare una connessione per leggere e scrivere dati da un blocco note Databricks. I passaggi sono descritti utilizzando la consoleGoogle Cloud e i Databricks Workspace. Puoi anche eseguire questi passaggi utilizzando gli strumenti a riga di comando gcloud e databricks, anche se queste indicazioni non rientrano nell'ambito di questo tutorial.

Databricks su Google Cloud è un ambiente Databricks ospitato su Google Cloud, eseguito su Google Kubernetes Engine (GKE) e che fornisce un'integrazione integrata con BigQuery e altre tecnologie Google Cloud . Se non conosci Databricks, guarda il video Introduzione alla piattaforma di dati unificata di Databricks per una panoramica della piattaforma lakehouse di Databricks.

Obiettivi

  • Configura Google Cloud per connetterti a Databricks.
  • Esegui il deployment di Databricks su Google Cloud.
  • Eseguire query su BigQuery da Databricks.

Costi

Questo tutorial utilizza componenti fatturabili della console Google Cloud , tra cui BigQuery e GKE. Si applicano i prezzi di BigQuery e i prezzi di GKE. Per informazioni sui costi associati a un account Databricks in esecuzione su Google Cloud, consulta la sezione Configura l'account e crea un workspace nella documentazione di Databricks.

Prima di iniziare

Prima di connettere Databricks a BigQuery, completa i seguenti passaggi:

  1. Abilita l'API BigQuery Storage.
  2. Crea un account di servizio per Databricks.
  3. Crea un bucket Cloud Storage per l'archiviazione temporanea.

Abilita l'API BigQuery Storage

L'API BigQuery Storage è abilitata per impostazione predefinita per tutti i nuovi progetti in cui viene utilizzato BigQuery. Per i progetti esistenti in cui l'API non è abilitata, segui queste istruzioni:

  1. Nella console Google Cloud , vai alla pagina API BigQuery Storage.

    Vai all'API BigQuery Storage

  2. Verifica che l'API BigQuery Storage sia abilitata.

    API BigQuery Storage abilitata

Crea un account di servizio per Databricks

Successivamente, crea un account di servizio Identity and Access Management (IAM) per consentire a un cluster Databricks di eseguire query su BigQuery. Ti consigliamo di assegnare a questo account di servizio i privilegi minimi necessari per eseguire le sue attività. Consulta Ruoli e autorizzazioni di BigQuery.

  1. Nella console Google Cloud , vai alla pagina Service account.

    Vai a Service account

  2. Fai clic su Crea service account, assegna al account di servizio il nome databricks-bigquery, inserisci una breve descrizione come Databricks tutorial service account, quindi fai clic su Crea e continua.

  3. In Concedi a questo account di servizio l'accesso al progetto, specifica i ruoli per il account di servizio. Per concedere al account di servizio l'autorizzazione per leggere i dati con l'area di lavoro Databricks e la tabella BigQuery nello stesso progetto, in particolare senza fare riferimento a una vista materializzata, concedi i seguenti ruoli:

    • Utente sessione di lettura BigQuery
    • Visualizzatore dati BigQuery

    Per concedere l'autorizzazione a scrivere dati, assegna i seguenti ruoli:

    • Utente job BigQuery
    • BigQuery Data Editor

  4. Prendi nota dell'indirizzo email del nuovo account di servizio per riferimento nei passaggi successivi.

  5. Fai clic su Fine.

Crea un bucket Cloud Storage

Per scrivere in BigQuery, il cluster Databricks deve accedere a un bucket Cloud Storage per eseguire il buffering dei dati scritti.

  1. Nella console Google Cloud , vai al browser Cloud Storage.

    Vai al browser di Storage

  2. Fai clic su Crea bucket per aprire la finestra di dialogo Crea un bucket.

  3. Specifica un nome per il bucket utilizzato per scrivere i dati in BigQuery. Il nome del bucket deve essere un nome globalmente univoco. Se specifichi un nome di bucket già esistente, Cloud Storage risponde con un messaggio di errore. In questo caso, specifica un nome diverso per il bucket.

    Finestra di dialogo Assegna un nome al bucket con databricks-bq-123

  4. Per questo tutorial, utilizza le impostazioni predefinite per la località di archiviazione, la classe di archiviazione, controllo dell'accesso e le impostazioni avanzate.

  5. Fai clic su Crea per creare il bucket Cloud Storage.

  6. Fai clic su Autorizzazioni, poi su Aggiungi e specifica l'indirizzo email del account di servizio che hai creato per l'accesso a Databricks nella pagina Service account.

    immagine

  7. Fai clic su Seleziona un ruolo e aggiungi il ruolo Amministratore Storage.

  8. Fai clic su Salva.

Esegui il deployment di Databricks su Google Cloud

Completa i seguenti passaggi per prepararti al deployment di Databricks su Google Cloud.

  1. Per configurare il tuo account Databricks, segui le istruzioni riportate nella documentazione di Databricks, Configura il tuo account Databricks su Google Cloud.
  2. Dopo la registrazione, scopri di più su come gestire il tuo account Databricks.

Crea un workspace, un cluster e un notebook Databricks

I passaggi seguenti descrivono come creare un workspace Databricks, un cluster e un notebook Python per scrivere codice per accedere a BigQuery.

  1. Verifica i prerequisiti di Databricks.

  2. Crea il tuo primo workspace. Nella console dell'account Databricks, fai clic su Crea workspace.

  3. Specifica gcp-bq per Nome workspace e seleziona la tua Regione.

    Schermata Crea workspace con nome, regione e ID progetto Google Clouddel workspace

  4. Per determinare l'ID progetto Google Cloud , visita la console Google Cloud e poi copia il valore nel campo ID progettoGoogle Cloud .

    Vai alla console Google Cloud

  5. Fai clic su Salva per creare il tuo workspace Databricks.

  6. Per creare un cluster Databricks con Databricks runtime 7.6 o versioni successive, nella barra dei menu a sinistra seleziona Cluster, quindi fai clic su Crea cluster in alto.

  7. Specifica il nome del cluster e le sue dimensioni, quindi fai clic su Opzioni avanzate e specifica l'indirizzo email del account di servizio account Google Cloud.

    Nuova superficie Cluster con i dettagli del service account Google

  8. Fai clic su Crea cluster.

  9. Per creare un notebook Python per Databricks, segui le istruzioni riportate in Crea un notebook.

Esecuzione di query su BigQuery da Databricks

Con la configurazione sopra riportata, puoi connettere Databricks a BigQuery in modo sicuro. Databricks utilizza un fork dell'adattatore Google Apache Spark open source per accedere a BigQuery.

Databricks riduce il trasferimento di dati e accelera le query eseguendo automaticamente il pushdown di determinati predicati di query, ad esempio il filtro su colonne nidificate, in BigQuery. Inoltre, la funzionalità aggiunta per eseguire prima una query SQL su BigQuery con l'API query() riduce le dimensioni del trasferimento del set di dati risultante.

I passaggi seguenti descrivono come accedere a un set di dati in BigQuery e scrivere i tuoi dati in BigQuery.

Accedi a un set di dati pubblico su BigQuery

BigQuery fornisce un elenco di set di dati pubblici disponibili. Per eseguire query sul set di dati Shakespeare di BigQuery, che fa parte dei set di dati pubblici, segui questi passaggi:

  1. Per leggere la tabella BigQuery, utilizza il seguente snippet di codice nel tuo notebook Databricks.

    table = "bigquery-public-data.samples.shakespeare"
df = spark.read.format("bigquery").option("table",table).load()
df.createOrReplaceTempView("shakespeare")

    Esegui il codice premendo Shift+Return.

    Ora puoi eseguire query sulla tabella BigQuery tramite il DataFrame Apache Spark (df). Ad esempio, utilizza quanto segue per mostrare le prime tre righe del dataframe:

    df.show(3)

    Per eseguire una query su un'altra tabella, aggiorna la variabile table.

  2. Una caratteristica fondamentale dei notebook Databricks è che puoi combinare le celle di diversi linguaggi, come Scala, Python e SQL, in un unico notebook.

    La seguente query SQL ti consente di visualizzare il conteggio delle parole in Shakespeare dopo aver eseguito la cella precedente che crea la vista temporanea.

    %sql
SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word ORDER BY word_count DESC LIMIT 12

    grafico a barre del conteggio delle parole in Shakespeare

    La cella esegue una query SQL Apache Spark sul dataframe nel tuo cluster Databricks, non in BigQuery. Il vantaggio di questo approccio è che l'analisi dei dati avviene a livello di Apache Spark, non vengono effettuate ulteriori chiamate API BigQuery e non vengono addebitati costi aggiuntivi per BigQuery.

  3. In alternativa, puoi delegare l'esecuzione di una query SQL a BigQuery con l'API query() e ottimizzare per ridurre le dimensioni di trasferimento del frame di dati risultante. A differenza dell'esempio precedente, in cui l'elaborazione veniva eseguita in Apache Spark, se utilizzi questo approccio, i prezzi e le ottimizzazioni delle query si applicano all'esecuzione della query su BigQuery.

    L'esempio seguente utilizza Scala, l'API query() e il set di dati pubblico di Shakespeare in BigQuery per calcolare le cinque parole più comuni nelle opere di Shakespeare. Prima di eseguire il codice, devi creare un set di dati vuoto in BigQuery denominato mdataset a cui il codice può fare riferimento. Per saperne di più, consulta Scrittura di dati in BigQuery.

    %scala
// public dataset
val table = "bigquery-public-data.samples.shakespeare"

// existing dataset where the Google Cloud user has table creation permission
val tempLocation = "mdataset"
// query string
val q = s"""SELECT word, SUM(word_count) AS word_count FROM ${table}
    GROUP BY word ORDER BY word_count DESC LIMIT 10 """

// read the result of a GoogleSQL query into a DataFrame
val df2 =
  spark.read.format("bigquery")
  .option("query", q)
  .option("materializationDataset", tempLocation)
  .load()

// show the top 5 common words in Shakespeare
df2.show(5)

    Per altri esempi di codice, consulta il blocco note di esempio di Databricks BigQuery.

Scrittura di dati in BigQuery

Le tabelle BigQuery esistono nei set di dati. Prima di poter scrivere dati in una tabella BigQuery, devi creare un nuovo set di dati in BigQuery. Per creare un set di dati per un notebook Python di Databricks, segui questi passaggi:

  1. Vai alla pagina BigQuery nella console Google Cloud .

    Vai a BigQuery

  2. Espandi l'opzione Azioni, fai clic su Crea set di dati e assegnagli il nome together.

  3. Nel blocco note Python di Databricks, crea un dataframe Apache Spark da un elenco Python con tre voci di stringa utilizzando il seguente snippet di codice:

    from pyspark.sql.types import StringType
mylist = ["Google", "Databricks", "better together"]

df = spark.createDataFrame(mylist, StringType())

  4. Aggiungi un'altra cella al notebook che scrive il dataframe Apache Spark del passaggio precedente nella tabella BigQuery myTable nel set di dati together. La tabella viene creata o sovrascritta. Utilizza il nome del bucket specificato in precedenza.

    bucket = YOUR_BUCKET_NAME
table = "together.myTable"

df.write
  .format("bigquery")
  .option("temporaryGcsBucket", bucket)
  .option("table", table)
  .mode("overwrite").save()

  5. Per verificare di aver scritto correttamente i dati, esegui una query e visualizza la tabella BigQuery tramite il DataFrame Apache Spark (df):

    display(spark.read.format("bigquery").option("table", table).load)

Esegui la pulizia

Prima di rimuovere Databricks, esegui sempre il backup dei dati e dei notebook. Per eseguire la pulizia e rimuovere completamente Databricks, annulla l'abbonamento a Databricks nella consoleGoogle Cloud e rimuovi tutte le risorse correlate che hai creato dalla consoleGoogle Cloud .

Se elimini un workspace Databricks, i due bucket Cloud Storage con i nomi databricks-WORKSPACE_ID e databricks-WORKSPACE_ID-system creati da Databricks potrebbero non essere eliminati se non sono vuoti. Dopo l'eliminazione del workspace, puoi eliminare manualmente questi oggetti nella consoleGoogle Cloud per il tuo progetto.

Passaggi successivi

Questa sezione fornisce un elenco di documenti e tutorial aggiuntivi: