Ingerir dados do Verkada

info

Beta

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

Esta página mostra como criar um pipeline de ingestão gerenciado do Verkada usando o Lakeflow Connect.

Requisitos

• Para criar um pipeline de ingestão, primeiro atenda 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 oferecer suporte à criação de pipeline baseada em IU, 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 do Verkada, primeiro configure a autenticação do Databricks e crie uma conexão. Consulte Configurar autenticação para o Verkada e Criar uma conexão Verkada.

Opções do conector

Defina opções no escopo da tabela no objeto individual. Consulte Exemplos para obter informações sobre o uso.

Opção	Escopo	Obrigatório	Aplica-se a	Descrição
start_datetime	Tabela	Não	audit_log	Evento de auditoria mais antigo a ser ingerido na primeira sincronização, como um Timestamp UTC ISO 8601 (por exemplo, 2026-07-09T12:00:00Z). O default é 365 dias antes da primeira sincronização, e não antes de 12/08/2025.

Opção	Escopo	Obrigatório	Aplica-se a	Descrição
start_datetime	Tabela	Não	audit_log	Evento de auditoria mais antigo a ser ingerido na primeira sincronização, como um Timestamp UTC ISO 8601 (por exemplo, 2026-07-09T12:00:00Z). O default é 365 dias antes da primeira sincronização, e não antes de 12/08/2025.

Criar um pipeline de ingestão

Para obter a lista de tabelas de origem suportadas, consulte Tabelas de origem suportadas.

Databricks UI

1. Na barra lateral do workspace do Databricks, clique em Ingestão de dados .
2. Na página Add data , em Databricks connectors , clique em Verkada .
3. Na página Connection do assistente de ingestão, selecione a conexão que armazena suas credenciais da Verkada. Se você tiver o privilégio CREATE CONNECTION no metastore, clique em Create connection para criar uma conexão com as credenciais de Configurar autenticação para Verkada.
4. Clique em Avançar .
5. Na página Configuração de ingestão , insira um nome para o pipeline.
6. Selecione um catálogo e um esquema para gravar logs de eventos. Se você tiver os privilégios USE CATALOG e CREATE SCHEMA no catálogo, clique em Create schema no menu suspenso para criar um esquema.
7. Clique em Criar pipeline e continuar .
8. Na página Origem , selecione as tabelas para ingestão.
9. Clique em Salvar e continuar .
10. Na página Destino , selecione um catálogo e um esquema para carregar os dados. Se você tiver os privilégios USE CATALOG e CREATE SCHEMA no catálogo, clique em Criar esquema no menu suspenso para criar um esquema.
11. Clique em Salvar e continuar .
12. (Opcional) Na página Cronogramas e notificações , clique em Criar agendamento . Defina a frequência para refresh das tabelas de destino.
13. (Opcional) Clique em Adicionar notificação para definir notificações por email para sucesso ou falha da operação do pipeline e, em seguida, clique em Salvar e executar pipeline .

Declarative Automation Bundles

Use os Pacotes de Automação Declarativa para gerenciar pipelines do Verkada como código. Os pacotes podem conter definições YAML de jobs e tarefas, são gerenciados usando a CLI do Databricks e podem ser compartilhados e executados 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 bundle 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/verkada_pipeline.yml). Consulte pipeline.ingestion_definition e Exemplos.
   • Um arquivo de definição de job que controla a frequência da ingestão de dados (por exemplo, resources/verkada_job.yml).

3. Implante o pipeline usando a CLI do Databricks:

   Bash

   databricks bundle deploy

Databricks notebook

1. Importe o seguinte notebook para o seu workspace do Databricks:

Abrir notebook em uma nova abaOpen in Databricks

2. Deixe as células um e dois como estão. Não modifique.

3. Modifique a célula três com os detalhes da configuração do seu pipeline. Veja pipeline.ingestion_definition e Exemplos.

4. Opcionalmente, configure as definições avançadas do pipeline. Consulte Padrões comuns para pipelines de ingestão gerenciados.

5. Clique em Executar tudo .

Exemplos

O conector Verkada disponibiliza 2 tabelas de origem no esquema de origem default. Ingira tabelas individuais ou o esquema inteiro.

Ingerir tabelas específicas

Use esta opção para ingerir um subconjunto específico de tabelas ou para personalizar a nomenclatura de destino por tabela.

Declarative Automation Bundles

O seguinte arquivo de definição de pipeline ingere tabelas individuais da Verkada:

YAML

resources:
  pipelines:
    verkada_pipeline:
      name: verkada_pipeline
      catalog: 'main'
      target: 'verkada_data'
      ingestion_definition:
        connection_name: verkada_connection
        objects:
          - table:
              source_schema: 'default'
              source_table: 'audit_log'
              destination_catalog: 'main'
              destination_schema: 'verkada_data'
              destination_table: 'audit_log'
              connector_options:
                api_source_connector_options:
                  options:
                    start_datetime: '<start-datetime>'
          - table:
              source_schema: 'default'
              source_table: 'users'
              destination_catalog: 'main'
              destination_schema: 'verkada_data'
              destination_table: 'users'

Databricks notebook

A especificação de pipeline a seguir ingere tabelas individuais da Verkada:

Python

pipeline_name = "verkada_pipeline"
connection_name = "<verkada-connection>"
pipeline_spec = {
  "name": pipeline_name,
  "ingestion_definition": {
    "connection_name": connection_name,
    "objects": [
      {
        "table": {
          "source_schema": "default",
          "source_table": "audit_log",
          "destination_catalog": "main",
          "destination_schema": "verkada_data",
          "destination_table": "audit_log",
          "connector_options": {
            "api_source_connector_options": {
              "options": {
                "start_datetime": "<start-datetime>"
              }
            }
          }
        }
      },
      {
        "table": {
          "source_schema": "default",
          "source_table": "users",
          "destination_catalog": "main",
          "destination_schema": "verkada_data",
          "destination_table": "users"
        }
      }
    ]
  }
}
json_payload = json.dumps(pipeline_spec, indent=2)
create_pipeline(json_payload)

Ingerir o esquema inteiro

Use esta opção para ingerir todas as tabelas de origem Verkada em um único esquema de destino com uma declaração.

Declarative Automation Bundles

O seguinte arquivo de definição de pipeline ingere todas as tabelas Verkada suportadas em um esquema de destino:

YAML

resources:
  pipelines:
    verkada_pipeline:
      name: verkada_pipeline
      catalog: 'main'
      target: 'verkada_data'
      ingestion_definition:
        connection_name: verkada_connection
        objects:
          - schema:
              source_schema: 'default'
              destination_catalog: 'main'
              destination_schema: 'verkada_data'

Databricks notebook

A especificação de pipeline a seguir ingere todas as tabelas Verkada suportadas em um esquema de destino:

Python

pipeline_name = "verkada_pipeline"
connection_name = "<verkada-connection>"
pipeline_spec = {
  "name": pipeline_name,
  "ingestion_definition": {
    "connection_name": connection_name,
    "objects": [
      {
        "schema": {
          "source_schema": "default",
          "destination_catalog": "main",
          "destination_schema": "verkada_data"
        }
      }
    ]
  }
}
json_payload = json.dumps(pipeline_spec, indent=2)
create_pipeline(json_payload)

Arquivo de definição de job de Pacotes de Automação Declarativa

O arquivo a seguir é um exemplo de definição de job para uso com Pacotes de Automação Declarativa. O job é executado diariamente.

Declarative Automation Bundles

YAML

resources:
  jobs:
    verkada_job:
      name: verkada_job
      schedule:
        quartz_cron_expression: '0 0 0 * * ?'
        timezone_id: 'UTC'
      tasks:
        - task_key: verkada_ingestion
          pipeline_task:
            pipeline_id: ${resources.pipelines.verkada_pipeline.id}

Padrões comuns

Para configurações avançadas de pipeline, consulte Padrões comuns para pipelines de ingestão gerenciados.

Passos seguintes

Comece, programe e defina alertas em seu pipeline. Consulte Tarefas comuns de manutenção de pipeline.

Mais recursos

• Perguntas frequentes sobre o conector Verkada
• Limitações do conector Verkada
• Referência do conector Verkada
• Solucionar problemas do conector Verkada