Ingérer des données depuis Adobe Marketo Engage

info

Bêta

Cette fonctionnalité est en version bêta. Les administrateurs de Workspace peuvent contrôler l’accès à cette fonctionnalité depuis la page Aperçus . Consultez Gérer les aperçus Databricks.

Créez un pipeline d'ingestion Marketo géré dans Lakeflow Connect pour ingérer les données depuis Adobe Marketo Engage.

Exigences

• Pour créer un pipeline d'ingestion, vous devez d'abord remplir les conditions suivantes :

  • Votre workspace doit être activé pour Unity Catalog.

  • Le compute serverless doit être activé pour votre workspace. Voir les exigences du compute serverless.

  • Pour créer une nouvelle connexion, vous devez disposer des privilèges CREATE CONNECTION sur le métastore. Voir Gérer les privilèges dans Unity Catalog.

    Si le connecteur prend en charge la création de pipeline basée sur l'interface utilisateur, un administrateur peut créer la connexion et le pipeline en même temps en suivant les étapes sur cette page. Cependant, si les utilisateurs qui créent des pipelines utilisent la création de pipeline basée sur API ou ne sont pas des utilisateurs administrateurs, un administrateur doit d'abord créer la connexion dans Catalog Explorer. Voir Se connecter à des sources d'ingestion gérées.

  • Pour utiliser une connexion existante, vous devez disposer des privilèges USE CONNECTION ou ALL PRIVILEGES sur l'objet de connexion.

  • Vous devez disposer des privilèges USE CATALOG sur le catalogue cible.

  • Vous devez disposer des privilèges USE SCHEMA et CREATE TABLE sur un schéma existant ou des privilèges CREATE SCHEMA sur le catalogue cible.

• Pour ingérer des données depuis Marketo, vous devez d'abord configurer l'authentification depuis Databricks. Voir Configurer l'authentification pour Adobe Marketo Engage.

Créer un pipeline d’ingestion

Databricks UI

1. Dans la barre latérale du workspace Databricks, cliquez sur Data Ingestion .
2. Sur la page Ajouter des données , sous Connecteurs Databricks , cliquez sur Marketo .
3. Sur la page Connexion de l'assistant d'ingestion, sélectionnez la connexion qui stocke vos identifiants d'accès Marketo. Si vous disposez du privilège CREATE CONNECTION sur le métastore, vous pouvez cliquer sur Créer une connexion pour créer une nouvelle connexion avec les détails d'authentification indiqués dans Créer une connexion Marketo.
4. Cliquez sur Suivant .
5. Sur la page Configuration de l'ingestion , saisissez un nom unique pour le pipeline.
6. Sélectionnez un catalogue et un schéma dans lesquels écrire les logs des événements. Si vous disposez des privilèges USE CATALOG et CREATE SCHEMA sur le catalogue, vous pouvez cliquer sur Créer un schéma dans le menu déroulant pour créer un nouveau schéma.
7. Cliquez sur Créer un pipeline et continuer .
8. Sur la page Source , sélectionnez les tables à ingérer.
9. Cliquez sur Enregistrer et continuer .
10. Sur la page Destination , sélectionnez un catalogue et un schéma dans lesquels charger les données. Si vous disposez des privilèges USE CATALOG et CREATE SCHEMA sur le catalogue, vous pouvez cliquer sur Créer un schéma dans le menu déroulant pour créer un nouveau schéma.
11. Cliquez sur Enregistrer et continuer .
12. (Facultatif) Sur la page Calendriers et notifications , cliquez sur Créer un calendrier . Définissez la fréquence de refresh des tables de destination.
13. (Facultatif) Cliquez sur Ajouter une notification pour définir des notifications par e-mail en cas de succès ou d'échec de l'opération de pipeline, puis cliquez sur Enregistrer et exécuter le pipeline .

Declarative Automation Bundles

Utilisez les Declarative Automation Bundles pour gérer les pipelines Marketo en tant que code. Les bundles peuvent contenir des définitions YAML de Jobs et de tâches, sont gérés à l'aide de la CLI Databricks et peuvent être partagés et exécutés dans différents Workspace cibles (tels que le développement, la pré-production et la production). Pour plus d'informations, consultez Que sont les Declarative Automation Bundles ?.

1. Créez un bundle à l'aide de la CLI Databricks :

   Bash

   databricks bundle init

2. Ajoutez deux nouveaux fichiers de ressources au bundle :

   • Un fichier de définition de pipeline (par exemple, resources/marketo_pipeline.yml). Voir pipeline.ingestion_definition et Exemples.
   • Un fichier de définition de job qui contrôle la fréquence d’ingestion des données (par exemple, resources/marketo_job.yml).

3. Déployez le pipeline à l'aide de la CLI Databricks :

   Bash

   databricks bundle deploy

Exemples

Utilisez ces exemples pour configurer votre pipeline. Pour obtenir la liste complète des tables prises en charge, consultez Tables sources prises en charge.

Ingérer des tables spécifiques

L'exemple suivant ingère la table leads et deux tables d'activité. Pour les tables d'activité, le nom de la table source est activity_<typeId>, où <typeId> est l'ID numérique du type d'activité Adobe Marketo Engage.

Declarative Automation Bundles

YAML

resources:
  pipelines:
    marketo_pipeline:
      name: marketo_pipeline
      catalog: 'main'
      target: 'marketo_data'
      ingestion_definition:
        connection_name: marketo_connection
        objects:
          - table:
              source_schema: 'default'
              source_table: 'leads'
              destination_catalog: 'main'
              destination_schema: 'marketo_data'
              destination_table: 'leads'
          - table:
              source_schema: 'default'
              source_table: 'activity_1'
              destination_catalog: 'main'
              destination_schema: 'marketo_data'
              destination_table: 'activity_1'

Databricks notebook

Python

pipeline_name = "marketo_pipeline"
connection_name = "<marketo-connection>"
pipeline_spec = {
  "name": pipeline_name,
  "ingestion_definition": {
    "connection_name": connection_name,
    "objects": [
      {
        "table": {
          "source_schema": "default",
          "source_table": "leads",
          "destination_catalog": "main",
          "destination_schema": "marketo_data",
          "destination_table": "leads"
        }
      },
      {
        "table": {
          "source_schema": "default",
          "source_table": "activity_1",
          "destination_catalog": "main",
          "destination_schema": "marketo_data",
          "destination_table": "activity_1"
        }
      }
    ]
  }
}
json_payload = json.dumps(pipeline_spec, indent=2)
create_pipeline(json_payload)

Définir la date de start de la synchronisation initiale

By default, le connecteur ingère deux ans de données historiques. Pour changer la fenêtre de remplissage, définissez l’option sync_start_date dans YYYY-MM-DD format. Le connecteur intègre ensuite les données à partir de cette date.

sync_start_date s’applique uniquement au remplissage initial. Une fois qu’une table a terminé sa première synchronisation, la modification de la valeur n’a aucun effet sur cette table, sauf si vous exécutez un refresh complet.

Declarative Automation Bundles

YAML

resources:
  pipelines:
    marketo_pipeline:
      name: marketo_pipeline
      catalog: 'main'
      target: 'marketo_data'
      ingestion_definition:
        connection_name: marketo_connection
        objects:
          - table:
              source_schema: 'default'
              source_table: 'leads'
              destination_catalog: 'main'
              destination_schema: 'marketo_data'
              destination_table: 'leads'
              connector_options:
                marketo_options:
                  sync_start_date: '2024-01-01'

Databricks notebook

Python

pipeline_name = "marketo_pipeline"
connection_name = "<marketo-connection>"
pipeline_spec = {
  "name": pipeline_name,
  "ingestion_definition": {
    "connection_name": connection_name,
    "objects": [
      {
        "table": {
          "source_schema": "default",
          "source_table": "leads",
          "destination_catalog": "main",
          "destination_schema": "marketo_data",
          "destination_table": "leads",
          "connector_options": {
            "marketo_options": {
              "sync_start_date": "2024-01-01"
            }
          }
        }
      }
    ]
  }
}
json_payload = json.dumps(pipeline_spec, indent=2)
create_pipeline(json_payload)

Fichier de définition de job Declarative Automation Bundles

Declarative Automation Bundles

YAML

resources:
  jobs:
    marketo_job:
      name: marketo_job
      schedule:
        quartz_cron_expression: '0 0 0 * * ?'
        timezone_id: 'UTC'
      tasks:
        - task_key: marketo_ingestion
          pipeline_task:
            pipeline_id: ${resources.pipelines.marketo_pipeline.id}

Modèles courants

Pour des configurations de pipeline avancées, consultez Modèles courants pour les pipelines d'ingestion gérés.

Étapes suivantes

start, planifiez et configurez des alertes sur votre pipeline. Voir Tâches courantes de maintenance des pipelines.

Ressources supplémentaires

• Limitations du connecteur Marketo
• Référence du connecteur Marketo
• FAQ du connecteur Marketo