Criar pipeline com dlt-meta
O projeto dlt-meta do Databricks Labs fornece ferramentas para gerar pipelines a partir de metadados que você mantém.
O projeto dlt-meta de código aberto, como todos os projetos na account GitHub da databrickslabs, existe apenas para fins de exploração. O Databricks não o suporta ou fornece acordos de nível de serviço (SLAs) para ele. Não envie tíquetes de suporte da Databricks para problemas relacionados a este projeto. Em vez disso, abra um problema no GitHub, que é revisado conforme o tempo permite.
O que é dlt-meta?
O pipeline declarativo LakeFlow Spark permite especificar uma tabela de forma declarativa e gera um fluxo em um pipeline que cria a tabela e a mantém atualizada conforme os dados de origem são alterados. No entanto, se sua organização possui centenas de tabelas, gerar e gerenciar esses pipelines consome muito tempo e pode levar a práticas inconsistentes.
O projeto dlt-meta é uma estrutura de metaprogramação orientada a metadados, projetada para funcionar com o pipeline declarativo LakeFlow Spark . Essa estrutura permite a automatização dos pipelines de bronze e prata de dados, aproveitando os metadados registrados em um conjunto de arquivos JSON e YAML. O mecanismo dlt-meta usa código Python para gerar dinamicamente código de pipeline para os fluxos descritos em seus metadados. Você gera os metadados sobre seu pipeline e o dlt-meta gera seu pipeline.
Com sua lógica centralizada em um só lugar (os metadados), seu sistema fica mais rápido, reutilizável e mais fácil de manter.
O projeto dlt-meta recebeu esse nome em homenagem ao antigo recurso Delta Live Tables do Databricks. Delta Live Tables foi substituído pelo pipeline declarativo LakeFlow Spark , e o dlt-meta funciona com o pipeline declarativo do LakeFlow Spark .
Benefícios do dlt-meta
Existem dois casos principais de uso para dlt-meta:
- Ingira e limpe um grande número de tabelas de forma simples.
- Aplique padrões de engenharia de dados em vários pipelines e usuários.
Os benefícios de usar uma abordagem baseada em metadados incluem:
- A manutenção de metadados pode ser feita sem conhecimento de código Python ou SQL.
- Manter metadados, em vez do código, requer menos sobrecarga e reduz erros.
- O código é gerado pelo dlt-meta, portanto ele permanece consistente e tem menos código personalizado no pipeline e nas tabelas publicadas.
- Você pode facilmente agrupar tabelas em pipeline dentro dos metadados, gerando o número de pipelines necessários para atualizar seus dados com mais eficiência.
Como o dlt-meta funciona
A imagem a seguir mostra uma visão geral do sistema dlt-meta:
- Você cria os arquivos de metadados como entrada para dlt-meta, para especificar seus arquivos de origem e saídas, regras de qualidade e processamento necessário.
- O mecanismo dlt-meta compila os arquivos de integração em uma especificação de fluxo de dados, chamada DataflowSpec , e os armazena para uso posterior.
- O mecanismo dlt-meta usa o DataflowSpec para criar um pipeline que gera suas tabelas bronze. Isso usa seus arquivos de metadados para ler os dados de origem e aplicar as expectativas de dados corretas para corresponder às suas regras de qualidade.
- O mecanismo dlt-meta usa o DataflowSpec para criar um pipeline adicional que gera suas tabelas prateadas. Isso usa seus arquivos de metadados para aplicar as transformações apropriadas e outros processamentos para seu sistema.
Você executa o pipeline gerado pelo dlt-meta para manter a saída atualizada conforme seus dados de origem são atualizados.
Começar
Para usar o dlt-meta, você deve:
- implantei e configurei as soluções dlt-meta.
- Prepare os metadados para suas tabelas de camadas bronze e prata.
- Crie um trabalho para integrar os metadados.
- Use os metadados para criar um pipeline para suas tabelas.
A documentação do dlt-meta no GitHub tem um tutorial para ajudar você a começar esse processo. Para obter mais informações, consulte começando com dlt-meta no GitHub.