Databricks Connect for Python で Spark シェルを使用する

注

この記事では、Databricks Runtime 13.3 LTS 以降の Databricks Connect について説明します。

この記事では、Databricks Connect for Python と Spark シェルの使用方法について説明します。 Databricks Connect 、一般的なアプリケーションをDatabricksコンピュートに接続できます。「Databricks Connect とは何ですか?」を参照してください。

注

Databricks Connectの使用を開始する前に、Databricks Connect クライアントをセットアップする必要があります。

Spark シェルは、 Databricks の個人用アクセストークン認証認証でのみ機能します。

Databricks Connect を Spark シェルと Python と共に使用するには、こちらの手順に従ってください。

Spark シェルを起動して稼働中のクラスターに接続するには、アクティブ化された Python 仮想環境から次のいずれかのコマンドを実行します。

SPARK_REMOTE環境変数を設定している場合は、次のコマンドを実行します。

pyspark

SPARK_REMOTE環境変数を設定していない場合は、代わりに次のコマンドを実行します。

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

Spark シェルは、次のように表示されます。

Python 3.10 ...
[Clang ...] on darwin
Type "help", "copyright", "credits" or "license" for more information.
Welcome to
     ____              __
    / __/__  ___ _____/ /__
   _\ \/ _ \/ _ `/ __/  '_/
  /__ / .__/\_,_/_/ /_/\_\   version 13.x.dev0
     /_/

Using Python version 3.10 ...
Client connected to the Spark Connect server at sc://...:.../;token=...;x-databricks-cluster-id=...
SparkSession available as 'spark'.
>>>

ここで、 spark.range(1,10).show()などの単純な PySpark コマンドを実行します。エラーがなければ、正常に接続されています。

SparkSparkシェルをPython で使用してコンピュート上でコマンドを実行する方法については、「Spark シェル使用したインタラクティブ分析」を参照してください。

組み込みの spark 変数を使用して、稼働中のクラスターの SparkSession を表します。

>>> df = spark.read.table("samples.nyctaxi.trips")
>>> df.show(5)
+--------------------+---------------------+-------------+-----------+----------+-----------+
|tpep_pickup_datetime|tpep_dropoff_datetime|trip_distance|fare_amount|pickup_zip|dropoff_zip|
+--------------------+---------------------+-------------+-----------+----------+-----------+
| 2016-02-14 16:52:13|  2016-02-14 17:16:04|         4.94|       19.0|     10282|      10171|
| 2016-02-04 18:44:19|  2016-02-04 18:46:00|         0.28|        3.5|     10110|      10110|
| 2016-02-17 17:13:57|  2016-02-17 17:17:55|          0.7|        5.0|     10103|      10023|
| 2016-02-18 10:36:07|  2016-02-18 10:41:45|          0.8|        6.0|     10022|      10017|
| 2016-02-22 14:14:41|  2016-02-22 14:31:52|         4.51|       17.0|     10110|      10282|
+--------------------+---------------------+-------------+-----------+----------+-----------+
only showing top 5 rows

すべての Python コードはローカルで実行されますが、DataFrame 操作を含むすべての PySpark コードはリモート Databricks ワークスペースのクラスターで実行され、実行応答はローカルの呼び出し元に送り返されます。

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