Databricks Terraform 提供程序

HashiCorp Terraform 是一种常用的开放源工具,可用于跨多个云提供程序创建安全且可预测的云基础结构。 可使用 Databricks Terraform 提供程序通过灵活强大的工具来管理 Azure Databricks 工作区和关联的云基础结构。 Databricks Terraform 提供程序的目标是支持所有 Databricks REST API,从而支持自动化执行部署和管理数据平台中的最复杂部分。 Databricks 客户可使用 Databricks Terraform 提供程序来部署和管理群集和作业以及配置数据访问。 使用 Azure 提供程序预配 Azure Databricks 工作区。

使用入门

在本部分中,你将在本地开发计算机上安装和配置使用 Terraform 和 Databricks Terraform 提供程序的要求。 然后配置 Terraform 身份验证。 在本部分之后,本文提供了一个示例配置,你可以在现有 Azure Databricks 工作区中使用该配置进行试验,以预配 Azure Databricks 笔记本、群集以及在群集上运行笔记本的作业。

要求

  1. 必须具有 Terraform CLI。 请查看 Terraform 网站上的下载 Terraform

  2. 必须具有 Terraform 项目。 在终端中,创建一个空目录,然后切换到该目录。 (每组单独的 Terraform 配置文件必须位于其自己的目录中,该目录称为一个 Terraform 项目。)例如:mkdir terraform_demo && cd terraform_demo

    export ARM_ENVIRONMENT=china
    mkdir terraform_demo && cd terraform_demo
    

    在 Terraform 项目中的一个或多个配置文件中包含项目的 Terraform 配置。 有关配置文件语法的信息,请参阅 Terraform 网站上的 Terraform 语言文档

  3. 必须向 Terraform 项目添加 Databricks Terraform 提供程序的依赖项。 将以下内容添加到 Terraform 项目中的某个配置文件:

    terraform {
      required_providers {
        databricks = {
          source = "databricks/databricks"
        }
      }
    }
    
  4. 必须为 Terraform 项目配置身份验证。 请参阅 Databricks Terraform 提供程序文档中的身份验证

示例配置

本部分提供了一个示例配置,你可以在现有 Azure Databricks 工作区中进行试验,以预配 Azure Databricks 笔记本、群集以及在群集上运行笔记本的作业。 它假定你已经设置了所需内容,以及创建了一个 Terraform 项目并为该项目配置了 Terraform 身份验证,如上一节所述。

  1. 在 Terraform 项目中创建一个名为 me.tf 的文件,并添加以下代码。 此文件获取有关当前用户(你)的信息:

    # Retrieve information about the current user.
    data "databricks_current_user" "me" {}
    
  2. 创建另一个名为 notebook.tf 的文件,并添加以下代码。 该文件表示笔记本。

    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
    }
    
  3. 创建另一个名为 notebook.auto.tfvars 的文件,并添加以下代码。 此文件指定笔记本的属性。

    notebook_subdirectory = "Terraform"
    notebook_filename     = "notebook-getting-started.py"
    notebook_language     = "PYTHON"
    
  4. 创建另一个名为 notebook-getting-started.py 的文件,并添加以下代码。 此文件表示笔记本的内容。

    display(spark.range(10))
    
  5. 创建另一个名为 cluster.tf 的文件,并添加以下代码。 此文件表示群集。

    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
    }
    
  6. 创建另一个名为 cluster.auto.tfvars 的文件,并添加以下代码。 此文件指定群集的属性。

    cluster_name                    = "My Cluster"
    cluster_autotermination_minutes = 60
    cluster_num_workers             = 1
    
  7. 创建另一个名为 job.tf 的文件,并添加以下代码。 此文件表示在群集上运行笔记本的作业。

    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
    }
    
  8. 创建另一个名为 job.auto.tfvars 的文件,并添加以下代码。 此文件指定作业的属性。

    job_name = "My Job"
    task_key = "my_task"
    
  9. 运行 terraform plan。 如果报告了任何错误,请修复它们,然后再次运行该命令。

  10. 运行 terraform apply

  11. 验证笔记本、群集和作业是否已创建:在 terraform apply 命令的输出中,找到 notebook_urlcluster_urljob_url 的 URL 并转到它们。

  12. 运行作业:在“作业”页面上,单击“立即运行” 。 在作业完成后,检查电子邮件收件箱。

  13. 完成此示例后,请运行 terraform destroy,从 Azure Databricks 工作区删除笔记本、群集和作业。

    注意

    有关命令 terraform planterraform applyterraform destroy 的详细信息,请参阅 Terraform 文档中的 Terraform CLI 文档

  14. 验证笔记本、群集和作业是否已删除:刷新笔记本、群集和“作业”页面,查看是否显示“找不到资源”消息。

测试

在部署 Terraform 配置之前或之后对其进行测试。 在部署资源之前,你可以运行类似于单元测试的测试。 还可以在部署资源后运行类似于集成测试的测试。 请参阅 Terraform 文档中的测试

按照以下过程针对本文的示例配置运行类似于集成测试的测试:

  1. 创建一个名为 cluster.tftest.hcl 的文件,并添加以下代码。 此文件测试所部署的群集是否具有预期的群集名称。

    # Filename: cluster.tftest.hcl
    
    run "cluster_name_test" {
      command = apply
    
      assert {
        condition     = databricks_cluster.this.cluster_name == var.cluster_name
        error_message = "Cluster name did not match expected name"
      }
    }
    
  2. 创建一个名为 job.tftest.hcl 的文件,并添加以下代码。 此文件测试所部署的作业是否具有预期的作业名称。

    run "job_name_test" {
      command = apply
    
      assert {
        condition     = databricks_job.this.name == var.job_name
        error_message = "Job name did not match expected name"
      }
    }
    
  3. 创建一个名为 notebook.tftest.hcl 的文件,并添加以下代码。 此文件测试所部署的笔记本是否具有预期的工作区路径。

    run "notebook_path_test" {
      command = apply
    
      assert {
        condition     = databricks_notebook.this.path == "${data.databricks_current_user.me.home}/${var.notebook_subdirectory}/${var.notebook_filename}"
        error_message = "Notebook path did not match expected path"
      }
    }
    
  4. 运行 terraform test。 Terraform 将每个资源部署到 Azure Databricks 工作区,运行每个相关测试并报告其测试结果,然后拆除所部署的资源。

按照以下过程针对本文的示例配置运行类似于单元测试的测试:

  • 将上述每个测试中的行 command = apply 更改为 command = plan,然后运行 terraform test。 Terraform 运行每个相关的测试并报告其测试结果,但不部署任何资源。
  • 模拟 Databricks Terraform 提供程序,这可以在不部署资源的情况下运行 terraform test,也不会要求提供任何身份验证凭据。 请参阅 Terraform 文档中的模拟。 若要运行模拟测试,一种方法是将行 mock_provider "databricks" {} 添加到测试,并移除行 command = applycommand = plan,例如:
# Filename: cluster.tftest.hcl

mock_provider "databricks" {}

run "cluster_mock_name_test" {
  assert {
    condition     = databricks_cluster.this.cluster_name == var.cluster_name
    error_message = "Cluster name did not match expected name"
  }
}
# Filename: job.tftest.hcl

mock_provider "databricks" {}

run "job_mock_name_test" {
  assert {
    condition     = databricks_job.this.name == var.job_name
    error_message = "Job name did not match expected name"
  }
}
# Filename: notebook.tftest.hcl

mock_provider "databricks" {}

run "notebook_mock_path_test" {
  assert {
    condition     = databricks_notebook.this.path == "${data.databricks_current_user.me.home}/${var.notebook_subdirectory}/${var.notebook_filename}"
    error_message = "Notebook path did not match expected path"
  }
}

后续步骤

  1. 创建 Azure Databricks 工作区
  2. 管理 Azure Databricks 工作区的工作区资源

疑难解答

注意

有关 Terraform 特定的支持,请查看 HashiCorp Discuss 网站上的最新 Terraform 主题。 有关 Databricks Terraform 提供程序特定的问题,请查看 GitHub 存储库 databrickslabs/terraform-provider-databricks 中的问题

错误:无法安装提供程序

问题:如果未将 terraform.lock.hcl 文件签入版本控制系统,并且运行 terraform init 命令,则会显示以下消息:Failed to install provider。 其他输出可能包括如下所示的消息:

Error while installing databrickslabs/databricks: v1.0.0: checksum list has no SHA-256 hash for "https://github.com/databricks/terraform-provider-databricks/releases/download/v1.0.0/terraform-provider-databricks_1.0.0_darwin_amd64.zip"

原因:Terraform 配置引用了过时的 Databricks Terraform 提供程序。

解决方案

  1. 在所有 .tf 文件中将 databrickslabs/databricks 替换为 databricks/databricks

    若要自动执行这些替换,请从包含要更新的 .tf 文件的父文件夹运行以下 Python 命令:

    python3 -c "$(curl -Ls https://dbricks.co/updtfns)"
    
  2. 运行以下 Terraform 命令,然后在出现提示时批准更改:

    terraform state replace-provider databrickslabs/databricks databricks/databricks
    

    有关此命令的信息,请参阅 Terraform 文档中的命令:state replace-provider

  3. 运行以下 Terraform 命令验证更改:

    terraform init
    

错误:无法查询可用的提供程序包

问题:如果未将 terraform.lock.hcl 文件签入版本控制系统,并且运行 terraform init 命令,则会显示以下消息:Failed to query available provider packages

原因:Terraform 配置引用了过时的 Databricks Terraform 提供程序。

解决方案:按照错误:无法安装提供程序中的解决方案说明进行操作。

启用日志记录

Databricks Terraform 提供程序可输出可以通过将 TF_LOG 环境变量设置为 DEBUG 或 Terraform 支持的任何其他日志级别来启用的日志。

默认情况下,日志将发送到 stderr。 要将日志发送到文件,请将 TF_LOG_PATH 环境变量设置为目标文件路径。

例如,可以运行以下命令以在调试级别启用日志记录,并将单色格式的日志输出到相对于当前工作目录的名为 tf.log 的文件,而 terraform apply 命令则运行:

TF_LOG=DEBUG TF_LOG_PATH=tf.log terraform apply -no-color

有关 Terraform 日志记录的详细信息,请参阅调试 Terraform

其他示例

其他资源