Databricks SQLのストリーミング テーブルを使用してデータを読み込む
Databricks では、ストリーミング テーブルを使用して Databricks SQL を使用してデータを取り込むことをお勧めします。 ストリーミング テーブルは、Unity Catalog に登録されたテーブルで、ストリーミングまたは増分データ処理の追加サポートがあります。Delta Live Tables パイプラインは、ストリーミング テーブルごとに自動的に作成されます。 ストリーミングテーブルは、Kafka およびクラウドオブジェクトストレージからの増分データロードに使用できます。
この記事では、ストリーミング テーブルを使用して、Unity Catalog ボリューム (推奨) または外部ロケーションとして構成されたクラウドオブジェクトストレージからデータを読み込む方法について説明します。
注:
Delta Lake テーブルをストリーミング ソースおよびシンクとして使用する方法については、 「Delta テーブル ストリーミングの読み取りと書き込み」を参照してください。
始める前に
開始する前に、次の要件を満たす必要があります。
ワークスペースの要件:
サーバーレスが有効になっているDatabricks 。 詳細については、 「サーバーレスSQLウェアハウスの有効化」を参照してください。
Unity Catalog が有効になっているワークスペース。 詳細については、「 Unity Catalog の設定と管理」を参照してください。
コンピュート要件:
次のいずれかを使用する必要があります。
Current
チャンネルを使用するSQLウェアハウス。Databricks Runtime 13.3 LTS以降の共有アクセス モードを使用したコンピュート。
Databricks Runtime 15.4 LTS 以上のシングル ユーザー アクセス モードを備えたコンピュート。
Databricks Runtime 15.3 以前では、シングル ユーザー コンピュートを使用して、他のユーザーが所有するストリーミング テーブルをクエリすることはできません。シングルユーザーコンピュートを Databricks Runtime 15.3以下で使用できるのは、ストリーミングテーブルを所有している場合のみです。 テーブルの作成者が所有者です。
Databricks Runtime 15.4 LTS 以降では、テーブルの所有権に関係なく、シングル ユーザー コンピュートで Delta Live Tables で生成されたテーブルに対するクエリがサポートされています。 15.4 以降で提供されているデータDatabricks RuntimeLTS フィルタリングを利用するには、 Live Tables で生成されたテーブルをサポートするデータ フィルタリング機能がサーバレス コンピュートで実行されるため、 Deltaワークスペースがサーバレス コンピュートに対して有効になっている ことを確認する必要があります。シングル ユーザー コンピュートを使用してデータ フィルタリング操作を実行すると、サーバレス コンピュート リソースに対して課金される場合があります。 「シングル ユーザー コンピュートに対するきめ細かなアクセス制御」を参照してください。
権限の要件:
Unity Catalog外部ロケーションに対する
READ FILES
権限。 詳細については、 「クラウド ストレージをDatabricksに接続するための外部ロケーションの作成」を参照してください。ストリーミング テーブルを作成するカタログに対する
USE CATALOG
権限。ストリーミング テーブルを作成するスキーマに対する
USE SCHEMA
権限。ストリーミング テーブルを作成するスキーマに対する
CREATE TABLE
権限。
その他の要件:
ソース データへのパス。
ボリューム・パスの例:
/Volumes/<catalog>/<schema>/<volume>/<path>/<file-name>
外部ロケーションパスの例:
s3://myBucket/analysis
注:
この記事では、ロードするデータが、アクセスできるUnity Catalogボリュームまたは外部ロケーションに対応するクラウド ストレージの場所にあることを前提としています。
ソース データの検出とプレビュー
ワークスペースのサイドバーで、 「クエリ」をクリックし、 「クエリの作成」をクリックします。
クエリ エディターで、ドロップダウン リストから
Current
チャンネルを使用するSQLウェアハウスを選択します。次の内容をエディターに貼り付け、ソース データを識別する情報の代わりに山括弧 (
<>
) 内の値を使用して、 [実行]をクリックします。注:
関数のデフォルトがデータを解析できない場合、
read_files
テーブル値関数を実行するとスキーマ推論エラーが発生する可能性があります。 たとえば、複数行の CSV または JSON ファイルの場合は、複数行モードを構成する必要がある場合があります。 パーサー オプションの一覧については、「 テーブル値関数read_files」を参照してください。/* Discover your data in a volume */ LIST "/Volumes/<catalog>/<schema>/<volume>/<path>/<folder>" /* Preview your data in a volume */ SELECT * FROM read_files("/Volumes/<catalog>/<schema>/<volume>/<path>/<folder>") LIMIT 10 /* Discover your data in an external location */ LIST "s3://<bucket>/<path>/<folder>" /* Preview your data */ SELECT * FROM read_files("s3://<bucket>/<path>/<folder>") LIMIT 10
ストリーミングテーブルへのデータのロード
クラウド オブジェクト ストレージのデータからストリーミング テーブルを作成するには、次の内容をクエリ エディターに貼り付けて、 [実行]をクリックします。
/* Load data from a volume */
CREATE OR REFRESH STREAMING TABLE <table-name> AS
SELECT * FROM STREAM read_files('/Volumes/<catalog>/<schema>/<volume>/<path>/<folder>')
/* Load data from an external location */
CREATE OR REFRESH STREAMING TABLE <table-name> AS
SELECT * FROM STREAM read_files('s3://<bucket>/<path>/<folder>')
DLT パイプラインを使用してストリーミングテーブルを更新する
このセクションでは、クエリで定義されたソースから入手可能な最新のデータを使用してストリーミング テーブルを更新するためのパターンについて説明します。
ストリーミングテーブルをCREATE
またはREFRESH
すると、更新はサーバレス Delta Live Tables パイプラインを使用して処理されます。 定義する各ストリーミング テーブルには、Delta Live Tables パイプラインが関連付けられています。
REFRESH
コマンドを実行すると、DLT パイプライン リンクが返されます。 DLT パイプライン リンクを使用して、更新のステータスを確認できます。
注:
ストリーミング テーブルを更新して最新のデータを取得できるのは、テーブル所有者だけです。 テーブルを作成したユーザーが所有者であり、所有者は変更できません。
「 Delta Live Tables とは」を参照してください。
新しいデータのみを取り込む
デフォルトでは、 read_files
関数はテーブルの作成中にソース ディレクトリ内の既存のデータをすべて読み取り、更新ごとに新しく到着するレコードを処理します。
テーブルの作成時にソース ディレクトリに既に存在するデータを取り込まないようにするには、 includeExistingFiles
オプションをfalse
に設定します。 つまり、テーブルの作成後にディレクトリに到着したデータのみが処理されます。 例えば:
CREATE OR REFRESH STREAMING TABLE my_bronze_table
AS SELECT *
FROM STREAM read_files('s3://mybucket/analysis/*/*/*.json', includeExistingFiles => false)
ストリーミングテーブルを完全に更新する
完全更新では、ソースで使用可能なすべてのデータが最新の定義で再処理されます。 データの履歴全体を保持しない、または保持期間が短いソース ( Kafkaなど) で完全な更新を呼び出すことは、完全な更新によって既存のデータが切り捨てられるため、推奨されません。 ソースでデータが利用できなくなった場合、古いデータを回復できない可能性があります。
例:
REFRESH STREAMING TABLE my_bronze_table FULL
ストリーミング テーブルの自動更新をスケジュールする
定義されたスケジュールに基づいてストリーミング テーブルが自動的に更新されるように構成するには、次の内容をクエリ エディターに貼り付けて、 [実行]をクリックします。
ALTER STREAMING TABLE
[[<catalog>.]<database>.]<name>
ADD [SCHEDULE [REFRESH]
CRON '<cron-string>'
[ AT TIME ZONE '<timezone-id>' ]];
更新スケジュール クエリの例については、 「ALTER STREAMING TABLE」を参照してください。
Kafkaからのストリーミング インジェスト
Kafka からのストリーミング取り込みの例については、 read_kafkaを参照してください。
ストリーミングテーブルへのアクセス権をユーザーに付与する
ユーザーにストリーミング テーブルに対するSELECT
権限を付与してクエリを実行できるようにするには、次の内容をクエリ エディターに貼り付けて、 [実行]をクリックします。
GRANT SELECT ON TABLE <catalog>.<schema>.<table> TO <user-or-group>
Unity Catalogのセキュリティ保護可能なオブジェクトに対する権限の付与の詳細については、 Unity Catalog権限とセキュリティ保護可能なオブジェクト」を参照してください。