Databricks Connect for Python の高度な使用法

注：

この記事では、Databricks Runtime 14.0 以降の Databricks Connect について説明します。

この記事では、Databricks Connect の基本セットアップを超えるトピックについて説明します。

Spark Connect接続文字列を構成する

「クラスターへの接続を構成する」で説明されているオプションを使用してクラスターに接続するだけでなく、より高度なオプションとして、Spark Connect 接続文字列を使用して接続することもできます。 remote関数で文字列を渡すか、 SPARK_REMOTE環境変数を設定できます。

注：

Connect 接続文字列を使用して接続するには、 Databricks個人アクセストークン認証のみを使用できます。Spark

remote関数を使用して接続文字列を設定するには:

# Set the Spark Connect connection string in DatabricksSession.builder.remote.
from databricks.connect import DatabricksSession

workspace_instance_name = retrieve_workspace_instance_name()
token                   = retrieve_token()
cluster_id              = retrieve_cluster_id()

spark = DatabricksSession.builder.remote(
   f"sc://{workspace_instance_name}:443/;token={token};x-databricks-cluster-id={cluster_id}"
).getOrCreate()

または、 SPARK_REMOTE環境変数を設定します。

sc://<workspace-instance-name>:443/;token=<access-token-value>;x-databricks-cluster-id=<cluster-id>

次に、次のように DatabricksSession クラスを初期化します。

from databricks.connect import DatabricksSession

spark = DatabricksSession.builder.getOrCreate()

PySparkシェル

Databricks Connect for Python には、Databricks Connect を使用するように構成された PySpark REPL (Spark シェル) であるpysparkバイナリが付属しています。 REPL は、次のコマンドを実行して開始できます。

pyspark

追加のパラメーターを指定せずに起動すると、環境 ( DATABRICKS_環境変数やDEFAULT構成プロファイルなど) からデフォルトの認証情報を取得して、Databricks クラスターに接続します。

REPL が起動すると、Databricks クラスターで Apache Spark コマンドを実行するように構成されたsparkオブジェクトが利用可能になります。

>>> spark.range(3).show()
+---+
| id|
+---+
|  0|
|  1|
|  2|
+---+

Spark 接続接続文字列を使用して--remoteを構成することで、別のリモートに接続するように REPL を構成できます。

pyspark --remote "sc://<workspace-instance-name>:443/;token=<access-token-value>;x-databricks-cluster-id=<cluster-id>"

シェルを停止するには、 Ctrl + dまたはCtrl + zを押すか、コマンドquit()またはexit()を実行します。

追加の HTTP ヘッダー

Databricks Connect は、HTTP/2 経由で gRPC 経由で Databricks クラスターと通信します。

一部の上級ユーザーは、クライアントからのリクエストをより適切に制御するために、クライアントと Databricks クラスターの間にプロキシサービスをインストールすることを選択する場合があります。

プロキシは、場合によっては、HTTPリクエストにカスタムヘッダーを必要とすることがあります。

headers()メソッドを使用して、HTTPリクエストにカスタムヘッダーを追加できます。

spark = DatabricksSession.builder.header('x-custom-header', 'value').getOrCreate()

証明書

クラスターが Databricks ワークスペースの完全修飾ドメイン名 (FQDN) を解決するためにカスタム SSL/TLS 証明書に依存している場合は、ローカル開発マシンで環境変数GRPC_DEFAULT_SSL_ROOTS_FILE_PATHを設定する必要があります。この環境変数は、クラスターにインストールされている証明書への完全なパスに設定する必要があります。

たとえば、この環境変数を Python コードで次のように設定します。

import os

os.environ["GRPC_DEFAULT_SSL_ROOTS_FILE_PATH"] = "/etc/ssl/certs/ca-bundle.crt"

環境変数を設定する他の方法については、オペレーティングシステムのドキュメントを参照してください。

ログ記録とデバッグログ

Databricks Connect for Python は、標準のPython ログを使用してログを生成します。

ログは標準エラーストリーム ( stderr ) に出力され、デフォルトでは WARN レベル以上のログのみが出力されます。

環境変数SPARK_CONNECT_LOG_LEVEL=debugを設定すると、このデフォルトが変更され、 DEBUGレベル以上のすべてのログメッセージが出力されます。