チュートリアル: Python をクラスター上およびジョブとして実行 Databricks 拡張機能 for Visual Studio Code
このチュートリアルでは、Visual Studio Code の 拡張機能を設定し、DatabricksPython DatabricksクラスターでDatabricks を実行し、リモート ワークスペースで ジョブとして実行する方法について説明します。「Visual Studio Code の Databricks 拡張機能とは」を参照してください。
必要条件
このチュートリアルでは、次のことが必要です。
- Visual Studio Code 用の Databricks 拡張機能をインストールしました。 「Visual Studio Code の Databricks 拡張機能のインストール」を参照してください。
- 使用するリモート Databricks クラスターがあります。 クラスターの名前をメモします。 利用可能なクラスターを表示するには、 Databricks ワークスペースのサイドバーで[ コンピュート ]をクリックします。 コンピュートを参照してください。
手順 1: 新しい Databricks プロジェクトを作成する
この手順では、新しい Databricks プロジェクトを作成し、リモート Databricks ワークスペースとの接続を構成します。
- Visual Studio Code を起動し、[ファイル] > [フォルダーを開く ] をクリックして、ローカルの開発マシンで空のフォルダーを開きます。
- サイドバーで、 Databricks のロゴアイコンをクリックします。 これにより、Databricks 拡張機能が開きます。
- 「Configuration 」ビューで、「 Create configuration 」をクリックします。
- Databricks ワークスペースを構成するための コマンド パレット が開きます。 [Databricks Host ] で、ワークスペース インスタンスの URL (
https://1234567890123456.7.gcp.databricks.com
など) を入力または選択します。 - プロジェクトの認証プロファイルを選択します。 「Visual Studio Code の Databricks 拡張機能の承認を設定する」を参照してください。
手順 2: クラスター情報を Databricks 拡張機能に追加し、クラスターを開始する
-
[Configuration ] ビューがすでに開いている状態で、[ Select a clustering ] をクリックするか、歯車 ( [Configure clustering ]) アイコンをクリックします。
-
コマンド パレット で、前に作成したクラスターの名前を選択します。
-
再生アイコン( Start クラスター )がまだ開始されていない場合は、クリックします。
ステップ 3: Python コードを作成して実行する
-
ローカルのPythonコードファイルを作成する:サイドバーで、フォルダ( エクスプローラー )アイコンをクリックします。
-
メイン メニューで、[ ファイル] > [新しいファイル ] をクリックし、Python ファイルを選択します。 ファイルに demo.py という名前を付け、プロジェクトのルートに保存します。
-
以下のコードをファイルに追加し、保存します。このコードは、基本的なPySparkデータフレームを作成し、その内容を表示するコードです。
Pythonfrom pyspark.sql import SparkSession
from pyspark.sql.types import *
spark = SparkSession.builder.getOrCreate()
schema = StructType([
StructField('CustomerID', IntegerType(), False),
StructField('FirstName', StringType(), False),
StructField('LastName', StringType(), False)
])
data = [
[ 1000, 'Mathijs', 'Oosterhout-Rijntjes' ],
[ 1001, 'Joost', 'van Brunswijk' ],
[ 1002, 'Stan', 'Bokenkamp' ]
]
customers = spark.createDataFrame(data, schema)
customers.show()Output# +----------+---------+-------------------+
# |CustomerID|FirstName| LastName|
# +----------+---------+-------------------+
# | 1000| Mathijs|Oosterhout-Rijntjes|
# | 1001| Joost| van Brunswijk|
# | 1002| Stan| Bokenkamp|
# +----------+---------+-------------------+ -
エディター タブの一覧の横にある [Databricks で実行 ] アイコンをクリックし、[ ファイルのアップロードと実行 ] をクリックします。 出力が [Debug Console ] ビューに表示されます。
または、[ エクスプローラー ] ビューで
demo.py
ファイルを右クリックし、[ Databricks で実行 ] > [ファイルのアップロードと実行 ] をクリックします。
ステップ 4: コードをジョブとして実行する
demo.py
をジョブとして実行するには、エディタ タブのリストの横にある [実行] アイコン Databricks をクリックし、[ ワークフローとしてファイルを実行 ] をクリックします。出力は、 demo.py
ファイルエディタの横にある別のエディタタブに表示されます。
または、[ エクスプローラー ] パネルで demo.py
ファイルを右クリックし、[ Databricks で実行 ] > [ファイルをワークフローとして実行 ] を選択します。
次のステップ
Visual Studio Code の Databricks 拡張機能を正常に使用してローカルの Python ファイルをアップロードし、リモートで実行したので、次の操作も実行できます。
- 拡張機能 UI を使用して、Databricks Asset Bundles のリソースと変数を探索します。 「Databricks Asset Bundles 拡張機能」を参照してください。
- Databricks Connect を使用して Python コードを実行またはデバッグします。 Visual Studio Code の Databricks 拡張機能については、「Databricks Connect を使用したコードのデバッグ」を参照してください。
- ファイルまたはノートブックを Databricks ジョブとして実行します。 「Databricks で Visual Studio Code の Databricks 拡張機能を使用して、クラスターまたはファイルまたはノートブックをジョブとしてファイルを実行する」を参照してください。
pytest
でテストを実行します。「Visual Studio Code の Databricks 拡張機能を使用して pytest でテストを実行する」を参照してください。