Crie clusters, Notebook e Job com o Terraform

Este artigo mostra como usar o provedorDatabricks Terraform para criar um clusterum Notebook e um Job em um site existente Databricks workspace.

Este artigo é um companheiro para os seguintes artigos do Databricks que estão começando a começar:

Execução de sua primeira carga de trabalho ETL no Databricks, que usa clusters de uso geral, um Python Notebook e um Job para executar o Notebook.
O senhor pode começar: Consulte e visualize dados de um Notebook, que usa um cluster de uso geral e um SQL Notebook.

tutorial: execução de um pipeline analítico de lakehouse de ponta a ponta, que usa clusters que funcionam com o Unity Catalog, um Python Notebook e um Job para executar o Notebook.

Você também pode adaptar as configurações do Terraform nestes artigos para criar clusters personalizados, Notebook e Job em seu workspace.

o passo 1: Criar e configurar o projeto Terraform

Crie um projeto Terraform seguindo as instruções na seção Requisitos dos artigos de visão geral do provedor Databricks Terraform.

Para criar clusters, crie um arquivo chamado cluster.tf e adicione o conteúdo a seguir ao arquivo. Este conteúdo cria clusters com a menor quantidade de recurso permitida. Esses clusters usam a versão mais recente do Databricks Runtime Long Term Support (LTS).

Para clusters que funcionam com o Unity Catalog:

variable "cluster_name" {}
variable "cluster_autotermination_minutes" {}
variable "cluster_num_workers" {}
variable "cluster_data_security_mode" {}

# Create the cluster with the "smallest" amount
# of resources allowed.
data "databricks_node_type" "smallest" {
  local_disk = true
}

# Use the latest Databricks Runtime
# Long Term Support (LTS) version.
data "databricks_spark_version" "latest_lts" {
  long_term_support = true
}

resource "databricks_cluster" "this" {
  cluster_name            = var.cluster_name
  node_type_id            = data.databricks_node_type.smallest.id
  spark_version           = data.databricks_spark_version.latest_lts.id
  autotermination_minutes = var.cluster_autotermination_minutes
  num_workers             = var.cluster_num_workers
  data_security_mode      = var.cluster_data_security_mode
}

output "cluster_url" {
 value = databricks_cluster.this.url
}

Para todo-propósito de um clusters :

variable "cluster_name" {
  description = "A name for the cluster."
  type        = string
  default     = "My Cluster"
}

variable "cluster_autotermination_minutes" {
  description = "How many minutes before automatically terminating due to inactivity."
  type        = number
  default     = 60
}

variable "cluster_num_workers" {
  description = "The number of workers."
  type        = number
  default     = 1
}

# Create the cluster with the "smallest" amount
# of resources allowed.
data "databricks_node_type" "smallest" {
  local_disk = true
}

# Use the latest Databricks Runtime
# Long Term Support (LTS) version.
data "databricks_spark_version" "latest_lts" {
  long_term_support = true
}

resource "databricks_cluster" "this" {
  cluster_name            = var.cluster_name
  node_type_id            = data.databricks_node_type.smallest.id
  spark_version           = data.databricks_spark_version.latest_lts.id
  autotermination_minutes = var.cluster_autotermination_minutes
  num_workers             = var.cluster_num_workers
}

output "cluster_url" {
 value = databricks_cluster.this.url
}

Para criar clusters, crie outro arquivo chamado cluster.auto.tfvars e adicione o conteúdo a seguir ao arquivo. Este arquivo contém valores de variáveis para customizar os clusters. Substitua os valores do espaço reservado pelos seus próprios valores.

Para clusters que funcionam com o Unity Catalog:

cluster_name                    = "My Cluster"
cluster_autotermination_minutes = 60
cluster_num_workers             = 1
cluster_data_security_mode      = "SINGLE_USER"

Para todo-propósito de um clusters :

cluster_name                    = "My Cluster"
cluster_autotermination_minutes = 60
cluster_num_workers             = 1

Para criar um Notebook, crie outro arquivo chamado notebook.tf e adicione o seguinte conteúdo ao arquivo:

variable "notebook_subdirectory" {
  description = "A name for the subdirectory to store the notebook."
  type        = string
  default     = "Terraform"
}

variable "notebook_filename" {
  description = "The notebook's filename."
  type        = string
}

variable "notebook_language" {
  description = "The language of the notebook."
  type        = string
}

resource "databricks_notebook" "this" {
  path     = "${data.databricks_current_user.me.home}/${var.notebook_subdirectory}/${var.notebook_filename}"
  language = var.notebook_language
  source   = "./${var.notebook_filename}"
}

output "notebook_url" {
 value = databricks_notebook.this.url
}

Se você estiver criando clusters, salve o seguinte código Notebook em um arquivo no mesmo diretório do arquivo notebook.tf:

Para o Python Notebook para execução de sua primeira carga de trabalho ETL no Databricks, um arquivo chamado notebook-getting-started-etl-quick-start.py com o seguinte conteúdo:

# Databricks notebook source
# Import functions
from pyspark.sql.functions import col, current_timestamp

# Define variables used in code below
file_path = "/databricks-datasets/structured-streaming/events"
username = spark.sql("SELECT regexp_replace(current_user(), '[^a-zA-Z0-9]', '_')").first()[0]
table_name = f"{username}_etl_quickstart"
checkpoint_path = f"/tmp/{username}/_checkpoint/etl_quickstart"

# Clear out data from previous demo execution
spark.sql(f"DROP TABLE IF EXISTS {table_name}")
dbutils.fs.rm(checkpoint_path, True)

# Configure Auto Loader to ingest JSON data to a Delta table
(spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "json")
  .option("cloudFiles.schemaLocation", checkpoint_path)
  .load(file_path)
  .select("*", col("_metadata.file_path").alias("source_file"), current_timestamp().alias("processing_time"))
  .writeStream
  .option("checkpointLocation", checkpoint_path)
  .trigger(availableNow=True)
  .toTable(table_name))

# COMMAND ----------

df = spark.read.table(table_name)

# COMMAND ----------

display(df)

Para o SQL Notebook para Get começar: Consultar e visualizar dados de um Notebook, um arquivo chamado notebook-getting-started-quick-start.sql com o seguinte conteúdo:

-- Databricks notebook source
-- MAGIC %python
-- MAGIC diamonds = (spark.read
-- MAGIC   .format("csv")
-- MAGIC   .option("header", "true")
-- MAGIC   .option("inferSchema", "true")
-- MAGIC   .load("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv")
-- MAGIC )
-- MAGIC 
-- MAGIC diamonds.write.format("delta").save("/mnt/delta/diamonds")

-- COMMAND ----------

DROP TABLE IF EXISTS diamonds;

CREATE TABLE diamonds USING DELTA LOCATION '/mnt/delta/diamonds/'

-- COMMAND ----------

SELECT color, avg(price) AS price FROM diamonds GROUP BY color ORDER BY COLOR

Para o Python Notebook for tutorial: execução an end-to-end lakehouse analítica pipeline, um arquivo chamado notebook-getting-started-lakehouse-e2e.py com o seguinte conteúdo:

# Databricks notebook source
external_location = "<your_external_location>"
catalog = "<your_catalog>"

dbutils.fs.put(f"{external_location}/foobar.txt", "Hello world!", True)
display(dbutils.fs.head(f"{external_location}/foobar.txt"))
dbutils.fs.rm(f"{external_location}/foobar.txt")

display(spark.sql(f"SHOW SCHEMAS IN {catalog}"))

# COMMAND ----------

from pyspark.sql.functions import col

# Set parameters for isolation in workspace and reset demo
username = spark.sql("SELECT regexp_replace(current_user(), '[^a-zA-Z0-9]', '_')").first()[0]
database = f"{catalog}.e2e_lakehouse_{username}_db"
source = f"{external_location}/e2e-lakehouse-source"
table = f"{database}.target_table"
checkpoint_path = f"{external_location}/_checkpoint/e2e-lakehouse-demo"

spark.sql(f"SET c.username='{username}'")
spark.sql(f"SET c.database={database}")
spark.sql(f"SET c.source='{source}'")

spark.sql("DROP DATABASE IF EXISTS ${c.database} CASCADE")
spark.sql("CREATE DATABASE ${c.database}")
spark.sql("USE ${c.database}")

# Clear out data from previous demo execution
dbutils.fs.rm(source, True)
dbutils.fs.rm(checkpoint_path, True)


# Define a class to load batches of data to source
class LoadData:

  def __init__(self, source):
    self.source = source

  def get_date(self):
    try:
      df = spark.read.format("json").load(source)
    except:
        return "2016-01-01"
    batch_date = df.selectExpr("max(distinct(date(tpep_pickup_datetime))) + 1 day").first()[0]
    if batch_date.month == 3:
      raise Exception("Source data exhausted")
      return batch_date

  def get_batch(self, batch_date):
    return (
      spark.table("samples.nyctaxi.trips")
        .filter(col("tpep_pickup_datetime").cast("date") == batch_date)
    )

  def write_batch(self, batch):
    batch.write.format("json").mode("append").save(self.source)

  def land_batch(self):
    batch_date = self.get_date()
    batch = self.get_batch(batch_date)
    self.write_batch(batch)

RawData = LoadData(source)

# COMMAND ----------

RawData.land_batch()

# COMMAND ----------

# Import functions
from pyspark.sql.functions import col, current_timestamp

# Configure Auto Loader to ingest JSON data to a Delta table
(spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "json")
  .option("cloudFiles.schemaLocation", checkpoint_path)
  .load(file_path)
  .select("*", col("_metadata.file_path").alias("source_file"), current_timestamp().alias("processing_time"))
  .writeStream
  .option("checkpointLocation", checkpoint_path)
  .trigger(availableNow=True)
  .option("mergeSchema", "true")
  .toTable(table))

# COMMAND ----------

df = spark.read.table(table_name)

# COMMAND ----------

display(df)

Se você estiver criando um Notebook, crie outro arquivo chamado notebook.auto.tfvars e adicione o conteúdo a seguir ao arquivo. Este arquivo contém valores variáveis para personalizar a configuração Notebook .

Para o Python Notebook para execução de sua primeira carga de trabalho ETL no Databricks:
```
notebook_subdirectory = "Terraform"
notebook_filename     = "notebook-getting-started-etl-quick-start.py"
notebook_language     = "PYTHON"
```
Para o site SQL Notebook para Get começar: Consultar e visualizar dados de um site Notebook:
```
notebook_subdirectory = "Terraform"
notebook_filename     = "notebook-getting-started-quickstart.sql"
notebook_language     = "SQL"
```
Para o Python Notebook para tutorial: execução de um pipeline analítico completo de lakehouse:
```
notebook_subdirectory = "Terraform"
notebook_filename     = "notebook-getting-started-lakehouse-e2e.py"
notebook_language     = "PYTHON"
```
Se você estiver criando um Notebook, em seu workspace do Databricks, certifique-se de configurar todos os requisitos para que o Notebook seja executado com sucesso, consultando as seguintes instruções para:
- O Python Notebook para execução de sua primeira carga de trabalho ETL no Databricks
- O site SQL Notebook para o Get Começar: Consultar e visualizar dados de um Notebook
- The Python Notebook for tutorial: execução an end-to-end lakehouse analytics pipeline

Para criar o Job, crie outro arquivo chamado job.tf e adicione o conteúdo a seguir ao arquivo. Este conteúdo cria um Job para execução do Notebook.

variable "job_name" {
  description = "A name for the job."
  type        = string
  default     = "My Job"
}

variable "task_key" {
  description = "A name for the task."
  type        = string
  default     = "my_task"
}

resource "databricks_job" "this" {
  name = var.job_name
  task {
    task_key = var.task_key
    existing_cluster_id = databricks_cluster.this.cluster_id
    notebook_task {
      notebook_path = databricks_notebook.this.path
    }
  }
  email_notifications {
    on_success = [ data.databricks_current_user.me.user_name ]
    on_failure = [ data.databricks_current_user.me.user_name ]
  }
}

output "job_url" {
  value = databricks_job.this.url
}

Se você estiver criando um Job, crie outro arquivo chamado job.auto.tfvars e adicione o conteúdo a seguir ao arquivo. Este arquivo contém um valor variável para personalizar a configuração Job .
```
job_name = "My Job"
task_key = "my_task"
```

Passo 2: Execução das configurações

Nesta passo, você executa as configurações do Terraform para aprimorar os clusters, o Notebook e o Job em seu workspace do Databricks.

Verifique se suas configurações do Terraform são válidas executando o comando terraform validate . Se algum erro for relatado, corrija-o e execute o comando novamente.
```
terraform validate
```
Verifique o que o Terraform fará em seu workspace, antes que o Terraform realmente o faça, executando o comando terraform plan.
```
terraform plan
```
aprimore os clusters, o Notebook e o Job em seu workspace executando o comando terraform apply. Quando solicitado a melhorar, digite yes e pressione Enter.
```
terraform apply
```
A Terraform aprimorou os recursos que estão especificados em seu projeto. aprimorar esses recursos (especialmente um clusters) pode levar vários minutos.

Passo 3: Explorar os resultados

Se você criou um clusters, na saída do comando terraform apply, copie o link ao lado de cluster_url e cole-o na barra de endereços do navegador da web.
Se você criou um Notebook, na saída do comando terraform apply, copie o link ao lado de notebook_url e cole-o na barra de endereços do navegador da web.

Observação

Antes de usar o Notebook, pode ser necessário personalizar seu conteúdo. Consulte a documentação relacionada sobre como personalizar o Notebook.
Se você criou um Job, na saída do comando terraform apply, copie o link ao lado de job_url e cole-o na barra de endereços do navegador da web.

Observação

Antes de executar o Notebook, você pode precisar customizar seu conteúdo. Consulte os links no início deste artigo para obter a documentação relacionada sobre como personalizar o Notebook.
Se você criou um Job, execute o Job da seguinte forma:
1. Clique em execução agora na página Job .
2. Depois que a execução do Job terminar, para view os resultados da execução do Job , na lista Execuções concluídas (últimos 60 dias) na página Job , clique na entrada de tempo mais recente na coluna de horário de início . O painel Output mostra o resultado da execução do código do Notebook .

Passo 4: Limpar

Nesta passo, você exclui os recursos anteriores de seu workspace.

Verifique o que o Terraform fará em seu workspace, antes que o Terraform realmente o faça, executando o comando terraform plan.
```
terraform plan
```
Exclua os clusters, o Notebook e o Job de seu workspace executando o comando terraform destroy. Quando solicitado a excluir, digite yes e pressione Enter.
```
terraform destroy
```
O Terraform exclui os recursos especificados em seu projeto.