Pular para o conteúdo principal
Última atualização em

Utilize o pipeline declarativo LakeFlow Spark com Hive metastorelegado.

Configurar Lakeflow Spark Declarative Pipelines para publicar dados no Hive metastore legado, incluindo local de armazenamento, acesso ao armazenamento em cloud e o log de eventos. O Databricks recomenda o uso do Unity Catalog para todos os novos pipelines. Consulte Usar o Unity Catalog com pipelines.

nota

Este artigo discute a funcionalidade do modo de publicação default atual para pipeline. o pipeline criado antes de 5 de fevereiro de 2025 pode usar o modo de publicação legado e o esquema virtual LIVE . Veja o esquema LIVE (legado).

Consultar tabelas de transmissão e views materializadas no Hive metastore​

Após a conclusão de uma atualização, você pode view o esquema e as tabelas, consultar os dados ou usá-los em aplicativos posteriores.

Após serem publicadas, as tabelas do Lakeflow Spark Declarative Pipelines podem ser consultadas de qualquer ambiente com acesso ao esquema de destino. Isso inclui Databricks SQL, Notebooks e outros Pipelines declarativos do Lakeflow Spark.

importante

Quando você cria uma configuração target , somente tabelas e metadados associados são publicados. as visualizações não são publicadas no metastore.

Configurar um pipeline para publicar no Hive metastore​

Para publicar no Hive metastore legado, escolha Usar Hive Metastore em Opções avançadas ao criar um novo pipeline (pode ser necessário escolher Ver mais para ver a opção). Você deve especificar um esquema de destino default ao publicar no Hive metastore. Consulte Configurar pipelines.

Especifique um local de armazenamento​

Você pode especificar um local de armazenamento para um pipeline que publica no Hive metastore. A principal motivação para especificar um local é controlar o local de armazenamento de objetos para os dados gravados pelo seu pipeline. Databricks recomenda sempre especificar um local de armazenamento para evitar gravar na DBFS root.

Como todas as tabelas, dados, pontos de verificação e metadados do pipeline LakeFlow Spark Declarative são totalmente gerenciados pelo LakeFlow pipeline, a maior parte da interação com o conjunto de dados Spark LakeFlow Spark Declarative ocorre por meio de tabelas registradas no Hive metastore ou Unity Catalog.

configuração de armazenamento em nuvem​

Para acessar um bucket no Google Cloud Storage (GCS), você deve criar uma account de serviço com acesso a esse bucket GCS e adicionar essa account de serviço às configurações cluster . Para obter mais informações sobre como criar uma account do Google Cloud Storage, consulte Conectar-se ao Google Cloud Storage. Você pode adicionar a configuração account serviço ao criar ou editar um pipeline com a API de pipeline declarativa LakeFlow Spark ou na interface do usuário do pipeline declarativa do LakeFlow Spark :

  1. Ao editar um pipeline no LakeFlow Pipelines Editor, clique em Ícone de engrenagem. Configurações .
  2. Clique no botão JSON .
  3. Insira a configuração account serviço no campo gcp_attributes.google_service_account na configuração cluster :
JSON
{
  "clusters": [
    {
      "gcp_attributes": {
        "google_service_account": "test-gcs-doc@databricks-dev.iam.gserviceaccount.com"
      }
    }
  ]
}

Trabalhe com o log de eventos para pipelines do Hive metastore​

Se o seu pipeline publicar tabelas no Hive metastore, o log de eventos será armazenado em /system/events no local storage . Por exemplo, se você tiver configurado a configuração do pipeline storage como /Users/username/data, o log de eventos será armazenado no caminho /Users/username/data/system/events no DBFS.

Se você não tiver configurado a configuração storage , o local default log eventos será /pipelines/<pipeline-id>/system/events no DBFS. Por exemplo, se o ID do seu pipeline for 91de5e48-35ed-11ec-8d3d-0242ac130003, o local de armazenamento será /pipelines/91de5e48-35ed-11ec-8d3d-0242ac130003/system/events.

Você pode criar uma view para simplificar a consulta do log de eventos. O exemplo a seguir cria uma view temporária chamada event_log_raw. Esta view é usada nas consultas log eventos de exemplo incluídas neste artigo:

SQL
CREATE OR REPLACE TEMP VIEW event_log_raw
AS SELECT * FROM delta.`<event-log-path>`;

Substitua <event-log-path> pelo local do log de eventos.

Cada instância de uma execução de pipeline é chamada de atualização . Muitas vezes você deseja extrair informações da atualização mais recente. execute a seguinte consulta para encontrar o identificador da atualização mais recente e salvá-lo na view temporária latest_update_id . Esta view é usada nas consultas log eventos de exemplo incluídas neste artigo:

SQL
CREATE OR REPLACE TEMP VIEW latest_update AS
SELECT origin.update_id AS id
FROM event_log_raw
WHERE event_type = 'create_update'
ORDER BY timestamp DESC
LIMIT 1;

Você pode consultar o log in um Databricks Notebook ou no editorSQL. Use um Notebook ou o editor SQL para executar as consultas log eventos de exemplo.

Exemplo de código-fonte pipeline Notebook para espaço de trabalho sem Unity Catalog​

Você pode importar os Notebooks a seguir para um workspace do Databricks sem o Unity Catalog habilitado e usá-los para implantar o Lakeflow Spark Declarative Pipelines. Importe o Notebook do idioma escolhido e especifique o caminho no campo **Código-fonte** ao configurar um pipeline com a opção de armazenamento **Hive metastore**. Consulte Configurar pipelines.

Comece a usar o pipeline declarativo LakeFlow Spark em um notebook Python .

Abrir notebook em uma nova aba

Comece a usar LakeFlow Spark Declarative Pipeline SQL Notebook.

Abrir notebook em uma nova aba
Nesta página