Pular para o conteúdo principal
Última atualização em

Ingerir dados do LinkedIn Ads

info

Beta

This feature is in Beta. Workspace admins can control access to this feature from the Previews page. See Manage Databricks previews.

Learn how to create a managed ingestion pipeline to ingest data from LinkedIn Ads into Databricks.

Requisitos​

  • To create an ingestion pipeline, you must meet the following requirements:

    • Seu workspace deve estar habilitado para o Unity Catalog.

    • O compute serverless deve estar habilitado para seu workspace. Consulte Requisitos de compute serverless.

    • Para criar uma nova conexão, você deve ter privilégios CREATE CONNECTION no metastore. Consulte Gerenciar privilégios no Unity Catalog.

      Se o conector for compatível com a criação de pipeline baseada na interface do usuário, um administrador poderá criar a conexão e o pipeline ao mesmo tempo, concluindo os passos nesta página. No entanto, se os usuários que criam pipelines usarem a criação de pipeline baseada em API ou forem usuários não administradores, um administrador deverá primeiro criar a conexão no Catalog Explorer. Consulte Conectar-se a fontes de ingestão gerenciadas.

    • Para usar uma conexão existente, você deve ter privilégios USE CONNECTION ou ALL PRIVILEGES no objeto de conexão.

    • Você deve ter privilégios USE CATALOG no catálogo de destino.

    • Você deve ter os privilégios USE SCHEMA e CREATE TABLE em um esquema existente ou privilégios CREATE SCHEMA no catálogo de destino.

  • To ingest from LinkedIn Ads, you must complete the steps in Create a LinkedIn Ads connection.

  • Você precisa do ID da account de anúncios patrocinados para cada account de anúncio da qual deseja fazer a ingestão. Onze das doze tabelas de origem residem em um espaço de nomes por account nomeado de acordo com esse ID. Consulte Source namespaces.

Criar um pipeline de ingestão​

O LinkedIn Ads suporta apenas a criação de pipelines baseada em API. Utilize os Pacotes de Automação Declarativa ou a API REST de Pipelines.

Esta tab descreve como implantar um pipeline de ingestão usando Pacotes de Automação Declarativa. Os pacotes podem conter definições YAML de Jobs e tarefas, são gerenciados usando a CLI do Databricks e podem ser compartilhados e ter execução em diferentes workspaces de destino (como desenvolvimento, staging e produção). Para obter mais informações, consulte O que são os Pacotes de Automação Declarativa?.

  1. Crie um pacote usando a CLI do Databricks:

    Bash
    databricks bundle init

  2. Add two new resource files to the bundle:

    • Um arquivo de definição de pipeline (por exemplo, resources/linkedin_ads_pipeline.yml).
    • Um arquivo de definição de job que controla a frequência da ingestão de dados (por exemplo, resources/linkedin_ads_job.yml).

    Veja pipeline.ingestion_definition e Exemplos.

  3. Implantar o pipeline usando a CLI do Databricks:

    Bash
    databricks bundle deploy

Exemplos​

The following examples show YAML specifications that Declarative Automation Bundles or the REST API can use to create pipelines.

Ingerir todas as cinco tabelas de entidade de uma account de anúncio​

The account_history table comes from the default namespace. The other four entity tables come from the ad account's own namespace, so set source_schema to the sponsored ad-account ID.

YAML
resources:
  pipelines:
    pipeline_linkedin_ads:
      name: <pipeline-name>
      catalog: <destination-catalog>
      target: <destination-schema>
      ingestion_definition:
        connection_name: <connection-name>
        objects:
          - table:
              source_schema: default
              source_table: account_history
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
          - table:
              source_schema: <ad-account-id>
              source_table: campaign_group_history
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
          - table:
              source_schema: <ad-account-id>
              source_table: campaign_history
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
          - table:
              source_schema: <ad-account-id>
              source_table: creative_history
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
          - table:
              source_schema: <ad-account-id>
              source_table: account_user_history
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>

Ingerir relatórios pré-criados com opções de sincronização personalizadas​

Cada relatório obtém suas próprias configurações de connector_options.linkedin_ads_options, que aceita sync_start_date (uma string de data ISO) e lookback_window_days (um número inteiro de 0 a 365). Omita qualquer uma das chaves para usar o default: uma data de início de dois anos e uma retrospectiva de sete dias. Defina as opções por relatório, pois cada relatório rastreia seu próprio cursor.

Todos os sete relatórios são por account, portanto source_schema é sempre o ID da account de anúncio patrocinado.

YAML
resources:
  pipelines:
    pipeline_linkedin_ads_reports:
      name: <pipeline-name>
      catalog: <destination-catalog>
      target: <destination-schema>
      ingestion_definition:
        connection_name: <connection-name>
        objects:
          # Daily campaign report: backfill from an explicit date and widen the
          # lookback to 30 days so late-attributed conversions are re-read.
          - table:
              source_schema: <ad-account-id>
              source_table: ad_analytics_by_campaign_report
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
              connector_options:
                linkedin_ads_options:
                  sync_start_date: '2026-01-01'
                  lookback_window_days: 30
          # Daily creative report: same start date, default seven-day lookback.
          - table:
              source_schema: <ad-account-id>
              source_table: ad_analytics_by_creative_report
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
              connector_options:
                linkedin_ads_options:
                  sync_start_date: '2026-01-01'
          # Monthly demographic report: the start date is aligned to the first of
          # its month, so 2026-05-15 fetches all of May 2026.
          - table:
              source_schema: <ad-account-id>
              source_table: monthly_ad_analytics_by_member_industry_report
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
              connector_options:
                linkedin_ads_options:
                  sync_start_date: '2026-05-15'
                  lookback_window_days: 45
          # Monthly demographic report with no options: defaults to a two-year
          # start date, capped by the two-year demographic retention horizon.
          - table:
              source_schema: <ad-account-id>
              source_table: monthly_ad_analytics_by_member_seniority_report
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>

Ingerir de mais de uma account de anúncio​

Because the per-account tables live in a namespace named after the ad-account ID, ingest a second account by repeating the table definitions with a different source_schema. Give each destination table a distinct name so the two accounts don't collide, because Databricks cannot ingest two tables with the same name in one pipeline.

YAML
resources:
  pipelines:
    pipeline_linkedin_ads_multi_account:
      name: <pipeline-name>
      catalog: <destination-catalog>
      target: <destination-schema>
      ingestion_definition:
        connection_name: <connection-name>
        objects:
          - table:
              source_schema: <first-ad-account-id>
              source_table: campaign_history
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
              destination_table: campaign_history_account_1
          - table:
              source_schema: <second-ad-account-id>
              source_table: campaign_history
              destination_catalog: <destination-catalog>
              destination_schema: <destination-schema>
              destination_table: campaign_history_account_2

Start, schedule, and set alerts on your pipeline​

  1. Após a criação do pipeline, retorne ao workspace do Databricks e clique em Jobs e pipelines no painel esquerdo.

    The new pipeline appears in the list. Click the pipeline name to view its details.

  2. On the pipeline details page, click Start to run the pipeline immediately. To run it on a schedule, click Schedule . For details, see Run a pipeline update.

  3. Para definir alertas no pipeline, use o job que o programa. Na página de detalhes do pipeline, clique em Programar e selecione uma de suas programações para exibir os detalhes do job.

  4. No painel de detalhes do Job, em Notificações do Job , configure as notificações. Consulte Adicionar notificações a um Job.

  5. Monitor the pipeline update on the pipeline details page. After the update completes successfully, query your destination tables to confirm the data arrived.

Outros recursos​

Nesta página