通过运行 Databricks Notebook 转换数据

适用于: Azure 数据工厂 Azure Synapse Analytics

数据工厂管道中的 Azure Databricks Notebook 活动在 Azure Databricks 工作区中运行 Databricks Notebook。 本文基于数据转换活动一文,它概述了数据转换和受支持的转换活动。 Azure Databricks 是一个用于运行 Apache Spark 的托管平台。

Databricks Notebook 活动定义

下面是 Databricks Notebook 活动的示例 JSON 定义:

{
    "activity": {
        "name": "MyActivity",
        "description": "MyActivity description",
        "type": "DatabricksNotebook",
        "linkedServiceName": {
            "referenceName": "MyDatabricksLinkedservice",
            "type": "LinkedServiceReference"
        },
        "typeProperties": {
            "notebookPath": "/Users/user@example.com/ScalaExampleNotebook",
            "baseParameters": {
                "inputpath": "input/folder1/",
                "outputpath": "output/"
            },
            "libraries": [
                {
                "jar": "dbfs:/docs/library.jar"
                }
            ]
        }
    }
}

Databricks Notebook 活动属性

下表描述了 JSON 定义中使用的 JSON 属性:

properties 说明 必需
name 管道中活动的名称。
description 描述活动用途的文本。
type 对于 Databricks Notebook 活动,活动类型是 DatabricksNotebook。
linkedServiceName Databricks 链接服务的名称,Databricks Notebook 在其上运行。 若要了解此链接服务,请参阅计算链接服务一文。
notebookPath 要在 Databricks 工作区中运行的 Notebook 的绝对路径。 此路径必须以斜杠开头。
baseParameters 一个键/值对的数组。 基参数可用于运行每个活动。 如果 Notebook 采用的参数未指定,则将使用 Notebook 中的默认值。 有关参数的更多信息,请参阅 Databricks Notebook
要安装在将执行作业的群集上的库列表。 它可以是 <string, object> 的数组。

Databricks 活动支持的库

在以上 Databricks 活动定义中,指定这些库类型:jar、egg、whl、maven、pypi、cran 。

{
    "libraries": [
        {
            "jar": "dbfs:/mnt/libraries/library.jar"
        },
        {
            "egg": "dbfs:/mnt/libraries/library.egg"
        },
        {
            "whl": "dbfs:/mnt/libraries/mlflow-0.0.1.dev0-py2-none-any.whl"
        },
        {
            "whl": "dbfs:/mnt/libraries/wheel-libraries.wheelhouse.zip"
        },
        {
            "maven": {
                "coordinates": "org.jsoup:jsoup:1.7.2",
                "exclusions": [ "slf4j:slf4j" ]
            }
        },
        {
            "pypi": {
                "package": "simplejson",
                "repo": "http://my-pypi-mirror.com"
            }
        },
        {
            "cran": {
                "package": "ada",
                "repo": "https://cran.us.r-project.org"
            }
        }
    ]
}

有关详细信息,请参阅库类型的 Databricks 文档

在笔记本和数据工厂之间传递参数

可以使用 Databricks 活动中的 baseParameters 属性将数据工厂参数传递给笔记本。

在某些情况下,你可能需要将某些值从笔记本传回数据工厂,这些值可用于数据工厂中的控制流(条件检查)或由下游活动使用(大小限制为 2MB)。

  1. 在笔记本中,你可以调用 dbutils.notebook.exit("returnValue"),相应的“returnValue”会返回到数据工厂。

  2. 可以通过表达式(如 @{activity('databricks notebook activity name').output.runOutput})在数据工厂中使用输出。

    重要

    如果要传递 JSON 对象,可以通过追加属性名称来检索值。 示例:@{activity('databricks notebook activity name').output.runOutput.PropertyName}

如何上传 Databricks 中的库

可以使用工作区 UI:

  1. 使用 Databricks 工作区 UI

  2. 若要获取使用 UI 添加的库的 dbfs 路径,可以使用 Databricks CLI

    使用 UI 时,Jar 库通常存储在 dbfs:/FileStore/jars 下。 可以通过 CLI 列出所有库:databricks fs ls dbfs:/FileStore/job-jars

或者可以使用 Databricks CLI:

  1. 遵循使用 Databricks CLI 复制库

  2. 使用 Databricks CLI(安装步骤)

    例如,将 JAR 复制到 dbfs:dbfs cp SparkPi-assembly-0.1.jar dbfs:/docs/sparkpi.jar