Ingerir dados do Zip

info

Beta

Este recurso está em Beta. Os administradores do espaço de trabalho 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 de Zip gerenciado 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 ser habilitado para seu workspace. Consulte Requisitos de computação serverless.

  • Para criar uma nova conexão, é preciso ter os privilégios CREATE CONNECTION no metastore. Consulte Gerenciar privilégios no Unity Catalog.

    Se o conector suportar a criação de pipelines baseada na IU, um administrador poderá criar a conexão e o pipeline simultaneamente, ao concluir os passos nesta página. No entanto, se os usuários que criam pipelines usam a autoria de pipeline baseada em API ou são usuários não administradores, um administrador deve primeiro criar a conexão no Catalog Explorer. Consulte Conectar-se a fontes de ingestão gerenciadas.

  • Para usar uma conexão existente: é preciso ter os privilégios USE CONNECTION ou ALL PRIVILEGES no objeto de conexão.

  • Você deve ter privilégios USE CATALOG no catálogo de destino.

  • É necessário ter os privilégios USE SCHEMA e CREATE TABLE em um esquema existente ou os privilégios CREATE SCHEMA no catálogo de destino.

• Para ingerir do Zip, primeiro configure a autenticação do Databricks e crie uma conexão. Consulte Configure a autenticação para Zip e Crie uma conexão Zip.

Criar pipeline de ingestão

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

Databricks UI

1. Na barra lateral do workspace do Databricks, clique em Ingestão de dados .
2. Na página Adicionar dados , em Conectores do Databricks , clique em Zip .
3. Na página Conexão do assistente de ingestão, selecione a conexão que armazena suas credenciais Zip. Se você tiver o privilégio CREATE CONNECTION no metastore, você pode clicar em Criar conexão para criar uma conexão com as credenciais de Configurar autenticação para o Zip.
4. Clique em Avançar .
5. Na página de **Configuração de ingestão**, insira um nome para o pipeline.
6. Selecione um catálogo e um esquema para as tabelas de destino. Se tiver os privilégios USE CATALOG e CREATE SCHEMA no catálogo, pode clicar em Criar esquema no menu suspenso para criar um esquema.
7. Clique em **Criar pipeline e continuar**.
8. Na **Página de Origem**, selecione as tabelas para ingestão.
9. Clique em Salvar e continuar .
10. Na página Destino , selecione um catálogo e um esquema para carregar dados. Se tiver os privilégios USE CATALOG e CREATE SCHEMA no catálogo, pode clicar 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 Crie um agendamento . Defina a frequência para fazer o refresh das tabelas de destino.
13. (Opcional) Clique em Adicionar notificação para configurar notificações por email para sucesso ou falha da operação do pipeline e, em seguida, clique em Salvar e executar pipeline .

Declarative Automation Bundles

Use Pacotes de Automação Declarativa para gerenciar pipelines Zip 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, preparo e produção). Para obter mais informações, consulte O que são Pacotes de Automação Declarativa?.

1. Crie um pacote utilizando 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/zip_pipeline.yml). Veja pipeline.definição_de_ingestão e Exemplos.
   • Um arquivo de definição de Job que controla a frequência da ingestão de dados (por exemplo, resources/zip_job.yml).

3. Implante o pipeline usando a CLI do Databricks:

   Bash

   databricks bundle deploy

Databricks notebook

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

Abrir notebook em uma nova abaOpen in Databricks

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

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

4. Configure as configurações avançadas do pipeline (opcional). Consulte Padrões comuns para pipelines de ingestão gerenciados.

5. Clique em Executar tudo .

Exemplos

O conector Zip disponibiliza 26 tabelas de origem no esquema de origem default. Ingerir 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 arquivo de definição de pipeline a seguir ingere tabelas Zip individuais:

YAML

resources:
  pipelines:
    zip_pipeline:
      name: zip_pipeline
      catalog: 'main'
      target: 'zip_data'
      ingestion_definition:
        connection_name: zip_connection
        objects:
          - table:
              source_schema: 'default'
              source_table: 'requests'
              destination_catalog: 'main'
              destination_schema: 'zip_data'
              destination_table: 'requests'
          - table:
              source_schema: 'default'
              source_table: 'purchase_orders'
              destination_catalog: 'main'
              destination_schema: 'zip_data'
              destination_table: 'purchase_orders'
          - table:
              source_schema: 'default'
              source_table: 'invoices'
              destination_catalog: 'main'
              destination_schema: 'zip_data'
              destination_table: 'invoices'

Databricks notebook

A seguinte especificação de pipeline ingere tabelas Zip individuais:

Python

pipeline_name = "zip_pipeline"
connection_name = "<zip-connection>"
pipeline_spec = {
  "name": pipeline_name,
  "ingestion_definition": {
    "connection_name": connection_name,
    "objects": [
      {
        "table": {
          "source_schema": "default",
          "source_table": "requests",
          "destination_catalog": "main",
          "destination_schema": "zip_data",
          "destination_table": "requests"
        }
      },
      {
        "table": {
          "source_schema": "default",
          "source_table": "purchase_orders",
          "destination_catalog": "main",
          "destination_schema": "zip_data",
          "destination_table": "purchase_orders"
        }
      },
      {
        "table": {
          "source_schema": "default",
          "source_table": "invoices",
          "destination_catalog": "main",
          "destination_schema": "zip_data",
          "destination_table": "invoices"
        }
      }
    ]
  }
}
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 Zip em um único esquema de destino com uma única declaração.

Declarative Automation Bundles

O seguinte arquivo de definição de pipeline ingere todas as tabelas Zip compatíveis em um esquema de destino:

YAML

resources:
  pipelines:
    zip_pipeline:
      name: zip_pipeline
      catalog: 'main'
      target: 'zip_data'
      ingestion_definition:
        connection_name: zip_connection
        objects:
          - schema:
              source_schema: 'default'
              destination_catalog: 'main'
              destination_schema: 'zip_data'

Databricks notebook

A especificação de pipeline a seguir ingere todas as tabelas Zip compatíveis em um esquema de destino:

Python

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

Arquivo de definição de Job de Pacotes de Automação Declarativa

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

Declarative Automation Bundles

YAML

resources:
  jobs:
    zip_job:
      name: zip_job
      schedule:
        quartz_cron_expression: '0 0 0 * * ?'
        timezone_id: 'UTC'
      tasks:
        - task_key: zip_ingestion
          pipeline_task:
            pipeline_id: ${resources.pipelines.zip_pipeline.id}

Padrões comuns

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

Passos seguintes

Iniciar, programar e definir alertas no seu pipeline. Veja Tarefas comuns de manutenção de pipelines.

Recursos adicionais

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