Python 用 Databricks SQL コネクタ
Databricks SQLConnector forPython は、Python PythonSQLコードを使用してDatabricks 汎用コンピュートおよびDatabricks SQL ウェアハウスで コマンドを実行できる ライブラリです。Databricks SQL Connector for Python は、 pyodbc などの同様の Python ライブラリよりもセットアップと使用が簡単です。このライブラリは、 PEP 249 – Python Database API Specification v2.0 に準拠しています。
Databricks SQL Connector for Python バージョン 3.0.0以上では、ネイティブのパラメータ化されたクエリ実行がサポートされているため、SQL インジェクションが防止され、クエリのパフォーマンスを向上させることができます。以前のバージョンではインライン パラメータ化実行が使用されていましたが、これは SQL インジェクションに対して安全ではなく、他の欠点があります。詳細については、「 ネイティブ パラメーターの使用」を参照してください。
Databricks SQL Connector for Python は、Databricks の SQLAlchemy 言語もサポートしていますが、これらの機能を使用するにはインストールする必要があります。 「Databricks での SQLAlchemy の使用」を参照してください。
必要条件
- Python 3.8 以上を実行する開発マシン。
- Databricks では、Python に含まれている venv によって提供される環境など、Python 仮想環境を使用することをお勧めします。 仮想環境は、正しいバージョンの Python と Databricks SQL Connector for Python を一緒に使用していることを確認するのに役立ちます。 仮想環境の設定と使用については、この記事の範囲外です。 詳細については、「 仮想環境の作成」を参照してください。
- 既存の 汎用コンピュート または SQLウェアハウス。
はじめに
-
Databricks SQL Connector for Python をインストールします。PyArrow は、Python 用の Databricks SQL コネクタのオプションの依存関係であり、コネクタのバージョン 4.0.0 以降では デフォルト によってインストールされません。PyArrow がインストールされていない場合、CloudFetch やその他の Apache Arrow 機能などの機能は利用できず、大量のデータのパフォーマンスに影響を与える可能性があります。
-
リーンコネクタを取り付けるには、以下を使用します。
pip install databricks-sql-connector -
PyArrow を含む完全なコネクタをインストールするには、次を使用します。
pip install databricks-sql-connector[pyarrow]
-
-
使用する汎用コンピュートまたは SQLウェアハウスについて、次の情報を収集します。
- All-purpose compute
- SQL warehouse
- 汎用コンピュートのサーバーホスト名。 これは、汎用コンピュートの 「Advanced OptionsJDBC ODBC > / 」タブの 「Server Hostname 」の値から取得できます。
- 万能コンピュートのHTTPパス。 これは、汎用コンピュートの 「Advanced OptionsJDBC ODBC > / 」タブの 「HTTP Path 」の値から取得できます。
The SQL connector does not support connecting to jobs compute.
認証
Python 用 Databricks SQL コネクタでは、次の Databricks 認証の種類がサポートされています。
Python 用の Databricks SQL コネクタは、次の Databricks 認証の種類をまだサポートしていません。
Databricks 個人用アクセス トークン認証
Databricks個人アクセス VPN 認証でDatabricks SQL Connector for Pythonを使用するには、まずDatabricks個人アクセス トークンを作成する必要があります。 これを行うには、 「 ワークスペース ユーザー向けの個人アクセス墨を作成する 」のステップに従います。
Databricks SQL Connector for Python を認証するには、次のコード スニペットを使用します。 このスニペットは、次の環境変数を設定していることを前提としています。
DATABRICKS_SERVER_HOSTNAME汎用コンピュートまたはSQL ウェアハウスの サーバーホスト名 の値に設定します。DATABRICKS_HTTP_PATHで、汎用コンピュートまたはSQL ウェアハウスの HTTP パス 値に設定します。DATABRICKS_TOKENで、Databricks 個人用アクセス トークンに設定されます。
環境変数を設定するには、オペレーティングシステムのドキュメントを参照してください。
from databricks import sql
import os
with sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN")) as connection:
# ...
OAuth マシン間 (M2M) 認証
Databricks SQL Connector for Python バージョン 2.7.0 以降では、 OAuth マシン間 (M2M) 認証がサポートされています。 また、Databricks SDK for Python 0.18.0 以降もインストールする必要があります (たとえば、pip install databricks-sdk や python -m pip install databricks-sdkを実行します)。
OAuth M2M 認証で Databricks SQL Connector for Python を使用するには、次の操作を行う必要があります。
-
DatabricksワークスペースにDatabricks サービスプリンシパルを作成し、そのサービスプリンシパルのOAuthシークレットを作成します。
サービスプリンシパルとそのOAuthシークレットを作成するには、「サービスプリンシパルのアクセスをOAuthでDatabricksに許可する」を参照してください。サービスプリンシパルの UUID または アプリケーション ID の値と、サービスプリンシパルのOAuthシークレットの Secret 値をメモします。
-
そのサービスプリンシパルに、汎用コンピュートまたはウェアハウスへのアクセス権を付与します。
サービスプリンシパルに汎用コンピュートまたはウェアハウスへのアクセス権を付与するには、「コンピュートのアクセス許可」または「SQLウェアハウスの管理」を参照してください。
Databricks SQL Connector for Python を認証するには、次のコード スニペットを使用します。 このスニペットは、次の環境変数を設定していることを前提としています。
DATABRICKS_SERVER_HOSTNAME汎用コンピュートまたはSQL ウェアハウスの サーバーホスト名 の値に設定します。DATABRICKS_HTTP_PATHで、汎用コンピュートまたはSQL ウェアハウスの HTTP パス 値に設定します。DATABRICKS_CLIENT_IDで、サービスプリンシパルの UUID または アプリケーション ID の値に設定します。DATABRICKS_CLIENT_SECRETで、サービスプリンシパルの OAuth シークレットの Secret 値に設定します。
環境変数を設定するには、オペレーティングシステムのドキュメントを参照してください。
from databricks.sdk.core import Config, oauth_service_principal
from databricks import sql
import os
server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME")
def credential_provider():
config = Config(
host = f"https://{server_hostname}",
client_id = os.getenv("DATABRICKS_CLIENT_ID"),
client_secret = os.getenv("DATABRICKS_CLIENT_SECRET"))
return oauth_service_principal(config)
with sql.connect(server_hostname = server_hostname,
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
credentials_provider = credential_provider) as connection:
# ...
OAuth ユーザー間 (U2M) 認証
Databricks SQL Connector for Python バージョン 3.0.3 以上 は、OAuth ユーザー間 (U2M) 認証をサポートします。 また、Databricks SDK for Python 0.19.0 以降もインストールする必要があります (たとえば、pip install databricks-sdk や python -m pip install databricks-sdkを実行します)。
OAuth U2M 認証を使用して Databricks SQL Connector for Python を認証するには、次のコード スニペットを使用します。 OAuth U2M 認証では、リアルタイムの人間によるサインインと同意を使用して、ターゲットの Databricks ユーザー アカウントを認証します。 このスニペットは、次の環境変数を設定していることを前提としています。
DATABRICKS_SERVER_HOSTNAMEを汎用コンピュートまたはウェアハウスの Server Hostname 値SQL設定します。DATABRICKS_HTTP_PATHを HTTP Path value に設定して、汎用コンピュートまたはウェアハウスSQL。
環境変数を設定するには、オペレーティングシステムのドキュメントを参照してください。
from databricks import sql
import os
with sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
auth_type = "databricks-oauth") as connection:
# ...
例
次のコード例は、Databricks SQL Connector for Python を使用して、データのクエリと挿入、メタデータのクエリ、カーソルと接続の管理、Unity Catalog 内のファイルの管理、ログの構成を行う方法を示しています。
次のコード例は、認証に Databricks 個人アクセストークンを使用する方法を示しています。 別の認証タイプを使用するには、「 認証」を参照してください。
次のコード例では、これらの環境変数から server_hostname、 http_path、および access_token 接続変数の値を取得します。
DATABRICKS_SERVER_HOSTNAME、 これは要件のサーバーホスト名の値を表します 。DATABRICKS_HTTP_PATH、これは要件からの HTTP Path 値を表します。DATABRICKS_TOKENこれは、要件からのアクセス トークンを表します。
User-Agent の設定
次のコード例は、使用状況の追跡のために User-Agent アプリケーションの product_name を設定する方法を示しています。
from databricks import sql
import os
with sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN"),
user_agent_entry = "product_name") as connection:
with connection.cursor() as cursor:
cursor.execute("SELECT 1 + 1")
result = cursor.fetchall()
for row in result:
print(row)
データのクエリ
次のコード例は、Databricks SQL の ConnectorPython SQLを呼び出して、汎用コンピュートまたはウェアハウスで基本的な コマンドを実行する方法を示していますSQL 。このコマンドは、samples カタログの nyctaxi スキーマの trips テーブルから最初の 2 つのローを返します。
from databricks import sql
import os
with sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN")) as connection:
with connection.cursor() as cursor:
cursor.execute("SELECT * FROM samples.nyctaxi.trips LIMIT 2")
result = cursor.fetchall()
for row in result:
print(row)
クエリタグ
プレビュー
この機能はプライベートプレビュー段階です。アクセスをリクエストするには、アカウント チームにお問い合わせください。
次の例は、追跡と分析の目的でSQLクエリにキーと値のタグを添付する方法を示しています。 クエリ タグがsystem.query.historyテーブルに表示されます。
from databricks import sql
import os
with sql.connect(
server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN"),
session_configuration = {
'query_tags': 'team:engineering,dashboard:abc123,env:prod'
}
) as connection:
with connection.cursor() as cursor:
cursor.execute("SELECT * FROM samples.nyctaxi.trips LIMIT 2")
result = cursor.fetchall()
# Query is now tagged and trackable in system.query.history
for row in result:
print(row)
データの挿入
次の例は、少量のデータ (数千行) を挿入する方法を示しています。
from databricks import sql
import os
with sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN")) as connection:
with connection.cursor() as cursor:
cursor.execute("CREATE TABLE IF NOT EXISTS squares (x int, x_squared int)")
squares = [(i, i * i) for i in range(100)]
values = ",".join([f"({x}, {y})" for (x, y) in squares])
cursor.execute(f"INSERT INTO squares VALUES {values}")
cursor.execute("SELECT * FROM squares LIMIT 10")
result = cursor.fetchall()
for row in result:
print(row)
大量のデータの場合は、まずデータをクラウドストレージにアップロードしてから、 COPY INTO コマンドを実行する必要があります。
クエリのメタデータ
メタデータを取得するための専用のメソッドがあります。 次の例では、サンプルテーブルの列に関するメタデータを取得します。
from databricks import sql
import os
with sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN")) as connection:
with connection.cursor() as cursor:
cursor.columns(schema_name="default", table_name="squares")
print(cursor.fetchall())
カーソルと接続の管理
使用されなくなった接続とカーソルを閉じることをお勧めします。これにより、 Databricks 汎用コンピュートと Databricks SQL ウェアハウスのリソースが解放されます。
コンテキストマネージャー (前の例で使用した with 構文) を使用してリソースを管理するか、 closeを明示的に呼び出すことができます。
from databricks import sql
import os
connection = sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN"))
cursor = connection.cursor()
cursor.execute("SELECT * from range(10)")
print(cursor.fetchall())
cursor.close()
connection.close()
Unity Catalog ボリューム内のファイルを管理する
Databricks SQL コネクタを使用すると、次の例に示すように、Unity Catalog ボリュームへのローカル ファイルの書き込み、ボリュームからのファイルのダウンロード、ボリュームからのファイルの削除を行うことができます。
from databricks import sql
import os
# For writing local files to volumes and downloading files from volumes,
# you must set the staging_allowed_local_path argument to the path to the
# local folder that contains the files to be written or downloaded.
# For deleting files in volumes, you must also specify the
# staging_allowed_local_path argument, but its value is ignored,
# so in that case its value can be set for example to an empty string.
with sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN"),
staging_allowed_local_path = "/tmp/") as connection:
with connection.cursor() as cursor:
# Write a local file to the specified path in a volume.
# Specify OVERWRITE to overwrite any existing file in that path.
cursor.execute(
"PUT '/tmp/my-data.csv' INTO '/Volumes/main/default/my-volume/my-data.csv' OVERWRITE"
)
# Download a file from the specified path in a volume.
cursor.execute(
"GET '/Volumes/main/default/my-volume/my-data.csv' TO '/tmp/my-downloaded-data.csv'"
)
# Delete a file from the specified path in a volume.
cursor.execute(
"REMOVE '/Volumes/main/default/my-volume/my-data.csv'"
)
ログ記録を構成する
Databricks SQL コネクタでは、Python の 標準ログ モジュールが使用されます。次の例では、ログレベルを設定し、デバッグログを生成します。
from databricks import sql
import os, logging
logging.getLogger("databricks.sql").setLevel(logging.DEBUG)
logging.basicConfig(filename = "results.log",
level = logging.DEBUG)
connection = sql.connect(server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN"))
cursor = connection.cursor()
cursor.execute("SELECT * from range(10)")
result = cursor.fetchall()
for row in result:
logging.debug(row)
cursor.close()
connection.close()
テスティング
コードをテストするには、 pytest などの Python テスト フレームワークを使用します。 Databricks REST API エンドポイントを呼び出したり、Databricks アカウントやワークスペースの状態を変更したりせずに、シミュレートされた条件下でコードをテストするには、 unittest.mock などの Python モック ライブラリを使用できます。
たとえば、Databricks パーソナル アクセス トークンを使用して Databricks ワークスペースへの接続を返す get_connection_personal_access_token 関数と、接続を使用して samples カタログの nyctaxi スキーマの trips テーブルから指定された数のデータ行を取得する select_nyctaxi_trips 関数を含む 、helpers.py という名前の次のファイルがあるとします。
# helpers.py
from databricks import sql
from databricks.sql.client import Connection, List, Row, Cursor
def get_connection_personal_access_token(
server_hostname: str,
http_path: str,
access_token: str
) -> Connection:
return sql.connect(
server_hostname = server_hostname,
http_path = http_path,
access_token = access_token
)
def select_nyctaxi_trips(
connection: Connection,
num_rows: int
) -> List[Row]:
cursor: Cursor = connection.cursor()
cursor.execute(f"SELECT * FROM samples.nyctaxi.trips LIMIT {num_rows}")
result: List[Row] = cursor.fetchall()
return result
また、get_connection_personal_access_token 関数と select_nyctaxi_trips 関数を呼び出す main.py という名前の次のファイルがあるとします。
# main.py
from databricks.sql.client import Connection, List, Row
import os
from helpers import get_connection_personal_access_token, select_nyctaxi_trips
connection: Connection = get_connection_personal_access_token(
server_hostname = os.getenv("DATABRICKS_SERVER_HOSTNAME"),
http_path = os.getenv("DATABRICKS_HTTP_PATH"),
access_token = os.getenv("DATABRICKS_TOKEN")
)
rows: List[Row] = select_nyctaxi_trips(
connection = connection,
num_rows = 2
)
for row in rows:
print(row)
次の test_helpers.py という名前のファイルは、 select_nyctaxi_trips 関数が予期した応答を返すかどうかをテストします。このテストでは、ターゲット ワークスペースへの実際の接続を作成するのではなく、 Connection オブジェクトをモックします。また、このテストでは、実際のデータにあるスキーマと値に準拠する一部のデータをモックします。このテストでは、モックされた接続を介してモックされたデータが返され、モックされたデータ行の値の 1 つが期待値と一致するかどうかがチェックされます。
# test_helpers.py
import pytest
from databricks.sql.client import Connection, List, Row
from datetime import datetime
from helpers import select_nyctaxi_trips
from unittest.mock import create_autospec
@pytest.fixture
def mock_data() -> List[Row]:
return [
Row(
tpep_pickup_datetime = datetime(2016, 2, 14, 16, 52, 13),
tpep_dropoff_datetime = datetime(2016, 2, 14, 17, 16, 4),
trip_distance = 4.94,
fare_amount = 19.0,
pickup_zip = 10282,
dropoff_zip = 10171
),
Row(
tpep_pickup_datetime = datetime(2016, 2, 4, 18, 44, 19),
tpep_dropoff_datetime = datetime(2016, 2, 4, 18, 46),
trip_distance = 0.28,
fare_amount = 3.5,
pickup_zip = 10110,
dropoff_zip = 10110
)
]
def test_select_nyctaxi_trips(mock_data: List[Row]):
# Create a mock Connection.
mock_connection = create_autospec(Connection)
# Set the mock Connection's cursor().fetchall() to the mock data.
mock_connection.cursor().fetchall.return_value = mock_data
# Call the real function with the mock Connection.
response: List[Row] = select_nyctaxi_trips(
connection = mock_connection,
num_rows = 2)
# Check the value of one of the mocked data row's columns.
assert response[1].fare_amount == 3.5
select_nyctaxi_trips 関数には SELECT ステートメントが含まれているため、trips テーブルの状態は変更されないため、この例ではモックは絶対に必要ではありません。ただし、モックを使用すると、ワークスペースとの実際の接続を待たずに、テストをすばやく実行できます。また、モックを使用すると、テーブルの状態を変更する可能性のある関数 ( 、 、 INSERT INTO、 UPDATE、 DELETE FROMなど) のシミュレートされたテストを複数回実行できます。
API リファレンス
このセクションには、 databricks-sql-connector パッケージの API リファレンスが含まれています。Python パッケージ インデックス (PyPI) の databricks-sql-connector を参照してください。
モジュール
databricks-sql-connector パッケージの databricks.sql モジュールには、SQLウェアハウスへの接続を初期化するメソッドが含まれています。
接続方式
SQLウェアハウスへの接続を初期化します。Connection オブジェクトを返します。
パラメーター | Type | 説明 |
|---|---|---|
|
| 必須。サーバーホスト名は、万能コンピュートまたは SQLウェアハウス、たとえば サーバーのホスト名を取得するには、「 はじめに」の手順を参照してください。 |
|
| 必須。汎用コンピュートまたはSQLウェアハウスの HTTP パス (たとえば、汎用コンピュートの場合は HTTP パスを取得するには、「 はじめに」の手順を参照してください。 |
|
| Databricks 認証設定に関する情報。 詳細については、「 認証」を参照してください。 |
|
| Spark セッション構成パラメーターのディクショナリ。構成の設定は、 例： |
|
| 随意。クライアントが行うすべての RPC 要求で HTTP ヘッダーに設定する追加 (キーと値のペア。 通常の使用法では、追加の HTTP ヘッダーは設定されません。デフォルトは |
|
| 随意。接続に使用する初期カタログ。デフォルトから |
|
| 随意。接続に使用する初期スキーマ。デフォルトを バージョン 2.0 から |
|
| 随意。データのチャンクをダウンロードするために、フェッチ要求をクラウドオブジェクトストアに直接送信するかどうか。デフォルトは
バージョン 2.8 から |
|
| 随意。使用状況の追跡のために HTTP 要求ヘッダーに含める User-Agent エントリ。デフォルトは |
Connection クラス
コンピュートや SQLウェアハウスとのつながりを表します。
メソッド
Connection クラスには、次のメソッドがあります。
手法 | 説明 |
|---|---|
| データベースへの接続を閉じ、サーバー上のすべての関連リソースを解放します。 この接続に対して追加の呼び出しを行うと、 パラメーターはありません。 戻り値はありません。 |
| データベース内のレコードのトラバースを可能にする新しい Cursor オブジェクト を返します。 パラメーターはありません。 |
Cursorクラス
データ・レコードをトラバースするためのメカニズムを表します。
Cursor オブジェクトを作成するには、Connection クラスの cursor メソッドを呼び出します。
属性
選択した Cursor 属性には次のものが含まれます。
属性 | 説明 |
|---|---|
|
|
|
|
メソッド
選択された Cursor 方法は次のとおりです。
手法 | 説明 |
|---|---|
| カーソルが開始したデータベースクエリまたはコマンドの実行を中断します。サーバー上の関連リソースを解放するには、 パラメーターはありません。 戻り値はありません。 |
| カーソルを閉じ、サーバー上の関連リソースを解放します。 既に閉じているカーソルを閉じると、エラーがスローされる可能性があります。 パラメーターはありません。 戻り値はありません。 |
| データベース・クエリまたはコマンドを準備して実行します。 パラメーター:
戻り値はありません。 |
| データベース・クエリまたはコマンドを準備し、 パラメーター:
戻り値はありません。 |
| カタログに関するメタデータ クエリを実行します。 実際の結果は、 結果セットの重要なフィールドは次のとおりです。
パラメーターはありません。 戻り値はありません。 バージョン1.0以降 |
| スキーマに関するメタデータクエリを実行します。 実際の結果は、 結果セットの重要なフィールドは次のとおりです。
パラメーター:
戻り値はありません。 バージョン1.0以降 |
| テーブルとビューに関するメタデータクエリを実行します。 実際の結果は、 結果セットの重要なフィールドは次のとおりです。
パラメーター:
戻り値はありません。 バージョン1.0以降 |
| 列に関するメタデータクエリを実行します。 実際の結果は、 結果セットの重要なフィールドは次のとおりです。
パラメーター:
戻り値はありません。 バージョン1.0以降 |
| クエリのすべての (または残りのすべての) 行を取得します。 パラメーターはありません。 クエリのすべての (または残りのすべての) 行を、 前回の |
| クエリの次の行を取得します。 パラメーター:
例： クエリの次の行の最大 フェッチする行が 前回の |
| データセットの次の行を取得します。 パラメーターはありません。 データセットの次の行を Python 前回の |
| クエリのすべての (または残りのすべての) 行を PyArrow パラメーターはありません。 クエリの全行（または残りの全行）をPyArrowテーブルとして返します。 前回の バージョン 2.0 から |
| クエリの次の行を PyArrow パラメーター:
例： クエリの次の行の 前回の バージョン 2.0 から |
Row クラス
行クラスは、SQL クエリ結果の個々の結果行を表すタプルのようなデータ構造です。行に "my_column"という名前の列が含まれている場合はrow``"my_column"、
row.my_column。数値インデックスを使用して、フィールドにアクセスすることもできます ( row[0]など)。列名が属性メソッド名として許可されていない場合 (たとえば、数字で始まる場合)、
次に、フィールドに row["1_my_column"]としてアクセスできます。
バージョン1.0以降
選択された Row 方法は次のとおりです。
メソッド
手法 | 説明 |
|---|---|
| フィールド名で索引付けされた行の辞書表現を返します。 フィールド名が重複している場合、重複したフィールドの1つ（ただし、1つのみ）が辞書に返されます。 どの重複フィールドが返されるかは定義されていません。 |
型変換
次の表は、Apache Spark SQL データ型を Python データ型と同等の Python データ型に対応付けたものです。
Apache Spark SQL データ型 | Python データ型 |
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
トラブルシューティング
tokenAuthWrapperInvalidAccessToken: Invalid access token メッセージ
問題 : コードを実行すると、次のようなメッセージが表示されます Error during request to server: tokenAuthWrapperInvalidAccessToken: Invalid access token。
考えられる原因 : access_token に渡された値は、有効な Databricks 個人用アクセス トークンではありません。
推奨される修正: access_token に渡された値が正しいことを確認し、もう一度やり直してください。
gaierror(8, 'nodename nor servname provided, or not known') メッセージ
問題 : コードを実行すると、次のようなメッセージが表示されます Error during request to server: gaierror(8, 'nodename nor servname provided, or not known')。
考えられる原因 : server_hostname に渡された値が正しいホスト名ではありません。
推奨される修正: server_hostname に渡された値が正しいことを確認し、もう一度やり直してください。
サーバーのホスト名の検索の詳細については、「Databricks コンピュート リソースの接続の詳細を取得する」を参照してください。
IpAclError メッセージ
問題 : コードを実行すると Error during request to server: IpAclValidation 、
Databricks ノートブック上のコネクタ。
考えられる原因 : Databricks ワークスペースで IP 許可リストが有効になっている可能性があります。 IP 許可リスト、接続 Spark クラスターからコントロールプレーンに戻ることは、デフォルトでは許可されていません。
推奨される修正: 管理者に依頼して、コンピュート プレーン サブネットを IP 許可リストに追加してください。
追加のリソース
詳細については、以下を参照してください。