Pular para o conteúdo principal
Última atualização em

Ingerir dados do LinkedIn Ads

info

Beta

Esse recurso está em Beta. Os administradores do workspace podem controlar o acesso a esse recurso na página Pré-visualizações . Consulte Gerenciar prévias do Databricks.

Saiba como criar um pipeline de ingestão gerenciado para ingerir dados do LinkedIn Ads no Databricks.

Requisitos​

  • Para criar um pipeline de ingestão, você deve atender aos seguintes requisitos:

    • 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.

  • Para ingerir dados do LinkedIn Ads, você deve concluir os passos em Criar uma conexão do LinkedIn Ads.

  • 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. Adicione dois novos arquivos de recurso ao pacote:

    • 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​

Os exemplos a seguir mostram especificações YAML que os Pacotes de Automação Declarativa ou a API REST podem usar para criar pipelines.

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

A tabela account_history vem do namespace default. As outras quatro tabelas de entidade vêm do próprio namespace da account de anúncios, portanto, defina source_schema como o ID da account de anúncios patrocinados.

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​

Como as tabelas por conta residem em um namespace nomeado com o ID da conta de anúncio, ingira uma segunda conta repetindo as definições de tabela com um source_schema diferente. Dê a cada tabela de destino um nome distinto para que as duas contas não colidam, pois o Databricks não pode ingerir duas tabelas com o mesmo nome em um 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

Comece, programe e defina alertas em seu pipeline​

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

    O novo pipeline aparece na lista. Clique no nome do pipeline para view seus detalhes.

  2. Na página de detalhes do pipeline, clique em Iniciar para executar o pipeline imediatamente. Para executar o programa de acordo com um cronograma, clique em Agendar . Para obter detalhes, consulte Executar uma atualização do pipeline.

  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. Monitore a atualização do pipeline na página de detalhes do pipeline. Após a conclusão bem-sucedida da atualização, faça uma query em suas tabelas de destino para confirmar se os dados chegaram.

Outros recursos​

Nesta página