适用于 Python 的 Databricks Connect

注意

本文介绍适用于 Databricks Runtime 13.3 LTS 及更高版本的 Databricks Connect。

本文演示如何使用 Python 和 PyCharm 快速开始使用 Databricks Connect。

可以使用 Databricks Connect 将热门的 IDE(例如 PyCharm、笔记本服务器和其他自定义应用程序)连接到 Azure Databricks 群集。 请参阅什么是 Databricks Connect?

教程

若要跳过此教程并使用其他 IDE,请参阅后续步骤

要求

若要完成此教程,必须满足以下要求:

  • 目标 Azure Databricks 工作区必须启用 Unity Catalog。
  • 已安装 PyCharm。 本教程已使用 PyCharm Community Edition 2023.3.5 进行测试。 如果使用不同版本的 PyCharm,则以下说明可能有所不同。
  • 你的计算满足适用于 Python 的 Databricks Connect 安装要求
  • 如果使用经典计算,则需要群集的 ID。 若要获取你的群集 ID,请在工作区中单击边栏上的“计算”,然后单击群集的名称。 在 Web 浏览器的地址栏中,复制 URL 中 clustersconfiguration 之间的字符串。

步骤 1:配置 Azure Databricks 身份验证

本教程使用 Azure Databricks 配置文件向 Azure Databricks 工作区进行身份验证。 若要使用其他身份验证类型,请参阅配置连接属性

步骤 2:创建项目

  1. 启动 PyCharm。
  2. 在主菜单上,单击“文件”>“新建项目”
  3. 在“新建项目”对话框中,单击“纯 Python”
  4. 对于“位置”,单击文件夹图标,然后完成屏幕说明以指定新 Python 项目的路径。
  5. 让“创建 main.py 欢迎脚本”保持选中状态
  6. 对于“解释器类型”,请单击“项目 venv”
  7. 展开“Python 版本”,并使用文件夹图标或下拉列表从上述要求中指定 Python 解释器的路径
  8. 单击 “创建”

创建 PyCharm 项目

步骤 3:添加 Databricks Connect 包

  1. 在 PyCharm 的主菜单上,单击“查看 > 工具窗口 > Python 包”。
  2. 在搜索框中输入 databricks-connect
  3. 在“PyPI 存储库”列表中,单击“databricks-connect”。
  4. 在结果窗格“的最新”下拉列表中,选择与群集的 Databricks Runtime 版本匹配的版本。 例如,如果群集已安装 Databricks Runtime 14.3,请选择 14.3.1
  5. 单击“安装包”
  6. 安装包后,可以关闭“Python 包”窗口。

安装 Databricks Connect 包

步骤 4:添加代码

  1. 在“项目”工具窗口中,右键点击项目的根文件夹,然后点击“新建 > Python 文件”。

  2. 输入 main.py 并双击“Python 文件”

  3. 依据配置文件的名称,在文件中输入以下代码,然后保存文件。

    如果步骤 1 中的配置文件已命名为 DEFAULT,请在文件中输入以下代码,然后保存文件:

    from databricks.connect import DatabricksSession
    
    spark = DatabricksSession.builder.getOrCreate()
    
    df = spark.read.table("samples.nyctaxi.trips")
    df.show(5)
    

    如果步骤 1 中的配置文件没有命名为 DEFAULT,请改为在文件中输入以下代码。 替换占位符 <profile-name> 为步骤 1 中配置文件的名称,然后保存文件:

    from databricks.connect import DatabricksSession
    
    spark = DatabricksSession.builder.profile("<profile-name>").getOrCreate()
    
    df = spark.read.table("samples.nyctaxi.trips")
    df.show(5)
    

步骤 5:运行代码

  1. 在远程 Azure Databricks 工作区中启动目标群集。
  2. 群集启动后,在主菜单上,单击“运行”>“运行 ‘main’”
  3. 在“运行”工具窗口(“视图”>“工具窗口”>“运行”)的“运行”选项卡的“主”窗格中,samples.nyctaxi.trips 的前 5 行会显示。

步骤 6:调试代码

  1. 群集仍在运行中,在前面的代码中,单击 df.show(5) 旁边的装订线以设置断点。
  2. 在主菜单上,单击“运行”>“调试‘main’”
  3. 在“调试”工具窗口(“查看 > 工具窗口 > 调试”)中,在“调试程序”选项卡的“变量”窗格中展开 dfspark 变量节点可浏览有关代码的 dfspark 变量的信息。
  4. 在“调试”工具窗口的侧栏中,单击绿色箭头(恢复程序)图标。
  5. 在“调试程序”选项卡的“控制台”窗格中,将显示 samples.nyctaxi.trips 的前 5 行。

调试 PyCharm 项目

后续步骤

若要了解有关 Databricks Connect 的详细信息,请参阅如下文章: