O que é a Lakehouse Federation?

Este artigo apresenta a Lakehouse Federation, a plataforma de federação de consultas que permite usar o Databricks para executar consultas em várias fontes de dados externas. Descreve também como configurar conexões de Lakehouse Federation e criar catálogos externos na metastore do Unity Catalog.

O que é a Lakehouse Federation?

A Lakehouse Federation é a plataforma de federação de consultas do Databricks. O termo federação de consultas descreve um conjunto de recursos que permitem que usuários e sistemas executem consultas em várias fontes de dados sem precisar migrar todos os dados para um sistema unificado.

A Databricks usa o Unity Catalog para gerenciar a federação de consultas. O senhor configura conexões somente leitura com soluções populares de banco de dados usando drivers incluídos no pro SQL warehouse, serverless SQL warehouse e Databricks Runtime clustering. Unity Cataloggarantem que o acesso aos dados seja gerenciado e auditado para todas as consultas federadas feitas pelos usuários em seu espaço de trabalho Databricks.

Por que usar a Lakehouse Federation?

O lakehouse enfatiza o armazenamento central de dados para reduzir a redundância e o isolamento dos dados. Sua organização pode ter vários sistemas de dados em produção e talvez você queira consultar dados em sistemas conectados por vários motivos:

Relatórios ad hoc.
Trabalho de prova de conceito.
A fase exploratória de novos pipelines ou relatórios de ETL.
Suporte a cargas de trabalho durante a migração incremental.

Em cada um desses cenários, a federação de consultas permite que você receba insights mais rápido, pois pode consultar os dados no local e evitar o processamento complexo e demorado de ETL.

A Lakehouse Federation foi criada para casos de uso em que:

Você não deseja ingerir dados no Databricks.
Você deseja que suas consultas aproveitem a computação no sistema de banco de dados externo.
Você deseja as vantagens das interfaces do Unity Catalog e da governança de dados, incluindo controle de acesso refinado, linhagem de dados e pesquisa.

Visão geral da configuração da Lakehouse Federation

Para tornar um conjunto de dados disponível para consulta e somente para leitura com o Lakehouse Federation, cria-se o seguinte:

Uma conexão , um objeto seguro no Unity Catalog que especifica um caminho e credenciais para acessar um sistema de banco de dados externo.
Um catálogo externo , um objeto que pode ser protegido no Unity Catalog que espelha um banco de dados em um sistema de dados externo, permitindo a execução de consultas somente para leitura nesse sistema de dados em seu workspace do Databricks, gerenciando o acesso com o Unity Catalog.

Fonte de dados suportada

A Lakehouse Federation oferece suporte a conexões com as seguintes fontes:

Requisitos de conexão

Requisitos do workspace:

Espaço de trabalho preparado para o Catálogo do Unity.

Requisitos de computação:

Conectividade de rede do seu recurso compute para os sistemas de banco de dados de destino. Veja as recomendações do Networking para a Lakehouse Federation.
Databricks compute O senhor deve usar Databricks Runtime 13.3 LTS ou acima e o modo de acesso Standard ou Dedicated .
Os SQL warehouse devem ser Pro ou Serverless e devem utilizar a versão 2023.40 ou superior.

Permissões necessárias:

Para criar uma conexão, é preciso ser administrador de metastore ou usuário com o privilégio CREATE CONNECTION no metastore do Unity Catalog anexado ao espaço de trabalho.
Para criar um catálogo externo é preciso ter a permissão CREATE CATALOG no metastore e ser proprietário da conexão ou ter o privilégio CREATE FOREIGN CATALOG na conexão.

Outros requisitos de permissão são definidos em cada seção baseada em tarefa a seguir.

Crie uma conexão

A conexão especifica um caminho e as credenciais para acessar um sistema de banco de dados externo. Para criar uma conexão, você pode usar o Catalog Explorer ou o comando CREATE CONNECTION do SQL em um Notebook do Databricks ou no editor de consultas SQL do Databricks.

nota

O senhor também pode usar a API REST da Databricks ou a CLI da Databricks para criar uma conexão. Veja POST /api/2.1/unity-catalog/connections e Unity Catalog comando.

Permissões necessárias: Administrador do Metastore ou usuário com o privilégio CREATE CONNECTION.

Catalog Explorer
SQL

In your Databricks workspace, click Catalog.
At the top of the Catalog pane, click the Add icon and select Add a connection from the menu.

Alternatively, from the Quick access page, click the External data > button, go to the Connections tab, and click Create connection.
Enter a user-friendly Connection name.
Select the Connection type (database provider, like MySQL or PostgreSQL).
(Optional) Add a comment.
Click Next.
Enter the connection properties (such as host information, path, and access credentials).

Each connection type requires different connection information. See the article for your connection type, listed in the table of contents to the left.
Click Create connection.
Enter a name for the foreign catalog.
(Optional) Click Test connection to confirm that it works.
Click Create catalog.
Select the workspaces in which users can access the catalog you created. You can select All workspaces have access, or click Assign to workspaces, select the workspaces, and then click Assign.
Change the Owner who will be able to manage access to all objects in the catalog. Start typing a principal in the text box, and then click the principal in the returned results.
Grant Privileges on the catalog. Click Grant:
1. Specify the Principals who will have access to objects in the catalog. Start typing a principal in the text box, and then click the principal in the returned results.
2. Select the Privilege presets to grant to each principal. All account users are granted BROWSE by default.
  - Select Data Reader from the drop-down menu to grant read privileges on objects in the catalog.
  - Select Data Editor from the drop-down menu to grant read and modify privileges on objects in the catalog.
  - Manually select the privileges to grant.
3. Click Grant.
4. Click Next.
5. On the Metadata page, specify tags key-value pairs. For more information, see Apply tags to Unity Catalog securable objects.
6. (Optional) Add a comment.
7. Click Save.

Run the following command in a notebook or the SQL query editor. This example is for connections to a PostgreSQL database. The options differ by connection type. See the article for your connection type, listed in the table of contents to the left.

SQL
CREATE CONNECTION <connection-name> TYPE postgresql
OPTIONS (
  host '<hostname>',
  port '<port>',
  user '<user>',
  password '<password>'
);

We recommend that you use Databricks secrets instead of plaintext strings for sensitive values like credentials. For example:

SQL
CREATE CONNECTION <connection-name> TYPE postgresql
OPTIONS (
  host '<hostname>',
  port '<port>',
  user secret ('<secret-scope>','<secret-key-user>'),
  password secret ('<secret-scope>','<secret-key-password>')
)

For information about setting up secrets, see Secret management.

Para obter informações sobre como gerenciar as conexões existentes, consulte Gerenciar conexões para a Lakehouse Federation.

Crie um catálogo estrangeiro

nota

Se o senhor usar a interface do usuário para criar uma conexão com a fonte de dados, a criação do catálogo externo estará incluída e o senhor poderá ignorar essa etapa.

Um catálogo externo espelha um banco de dados em um sistema de dados externo para você consultar e gerenciar o acesso aos dados nesse banco de dados com Databricks e Unity Catalog. Para criar um catálogo externo, utiliza-se uma conexão com a fonte de dados que já foi definida.

Para criar um catálogo externo, o senhor pode usar o Catalog Explorer ou o comando CREATE FOREIGN CATALOG SQL em um Notebook Databricks ou o editor de consultas SQL. O senhor também pode usar a API do Unity Catalog. Consulte a documentação de referência do Databricks.

Os metadados do catálogo externo são sincronizados com o Unity Catalog em cada interação com o catálogo. Para mapeamento de tipos de dados entre o Unity Catalog e a fonte de dados, verifique a seção Mapeamentos de tipos de dados da documentação de cada fonte de dados.

Permissões necessárias: permissão CREATE CATALOG na metastore e propriedade da conexão ou o privilégio CREATE FOREIGN CATALOG na conexão.

Catalog Explorer
SQL

In your Databricks workspace, click Catalog to open Catalog Explorer.
At the top of the Catalog pane, click the Add icon and select Add a catalog from the menu.

Alternatively, from the Quick access page, click the Catalogs button, and then click the Create catalog button.
Follow the instructions for creating foreign catalogs in Create catalogs.

Run the following SQL command in a notebook or the SQL query editor. Items in brackets are optional. Replace the placeholder values:

<catalog-name>: Name for the catalog in Databricks.
<connection-name>: The connection object that specifies the data source, path, and access credentials.
<database-name>: Name of the database you want to mirror as a catalog in Databricks. Not required for MySQL, which uses a two-layer namespace.
<external-catalog-name>: Databricks-to-Databricks only: Name of the catalog in the external Databricks workspace that you are mirroring. See Create a foreign catalog.

SQL
CREATE FOREIGN CATALOG [IF NOT EXISTS] <catalog-name> USING CONNECTION <connection-name>
OPTIONS (database '<database-name>');

Para obter informações sobre como gerenciar e trabalhar com catálogos estrangeiros, consulte gerenciar e trabalhar com catálogos estrangeiros.

visualizar as consultas federadas geradas pelo sistema

A lakehouse Federation traduz os extratos do site Databricks SQL em extratos que podem ser transferidos para a fonte de dados federada. Para view a instrução gerada SQL, clique no nó foreign fonte de dados scan no gráfico view do Query Profile ou execute a instrução EXPLAIN FORMATTED SQL. Consulte a seção Pushdown suportado da documentação de cada fonte de dados para obter cobertura.

Limitações

As consultas somente permitem leitura.
A limitação das conexões é determinada usando o limite de consulta Databricks SQL concorrente. Não há limite entre armazéns por conexão. Consulte Enfileiramento e escala automática para o armazém pro e clássico SQL.
Tabelas e esquemas com nomes inválidos no Unity Catalog não são suportados e são ignorados pelo Unity Catalog na criação de um catálogo externo. Veja a lista de regras e limitações de nomenclatura em Limitações.
Os nomes das tabelas e dos esquemas são convertidos para minúsculas no Unity Catalog. As pesquisas também devem usar nomes em minúsculas. Se houver tabelas ou esquemas com nomes duplicados em minúsculas, somente uma das tabelas ou esquemas será importada para o catálogo externo.
Para cada tabela estrangeira referenciada, Databricks programa uma subconsulta no sistema remoto para retornar um subconjunto de dados dessa tabela e, em seguida, retorna o resultado para uma Databricks executor tarefa em uma única transmissão. Se o conjunto de resultados for muito grande, o site executor poderá ficar sem memória.
O modo de acesso dedicado (antigo modo de acesso de usuário único) só está disponível para usuários que possuem a conexão.
A Lakehouse Federation não pode federar tabelas externas com identificadores que diferenciam maiúsculas e minúsculas para conexões do Azure Synapse ou do Redshift.

recurso quotas

Databricks impõe cotas de recurso em todos os objetos protegíveis do site Unity Catalog. Essas cotas são listadas em limites de recurso. Os catálogos estrangeiros e todos os objetos que eles contêm estão incluídos no uso total da cota.

Se você espera exceder esses limites de recursos, entre em contato com sua equipe de account Databricks.

O senhor pode monitorar o uso da cota usando o recurso Unity Catalog quotas APIs. Consulte Monitorar o uso das cotas de recurso do Unity Catalog.

Recurso adicional

Consultas federadas (lakehouse Federation) na referência de linguagem SQL