快速入门：使用 Azure 门户在 Azure Databricks 工作区上运行 Spark 作业

  • 项目

在本快速入门中，将使用 Azure 门户创建一个具有 Apache Spark 群集的 Azure Databricks 工作区。 你在群集上运行作业，并使用自定义图表根据西雅图安全数据生成实时报告。

先决条件

  • Azure 订阅 - 创建试用版订阅。 不能使用 Azure 试用版订阅完成本教程。 如果你有试用版订阅，请转到个人资料，将订阅更改为“标准预付费套餐”。 有关详细信息，请参阅 Azure 试用版订阅。 然后，对你所在区域中的 vCPU 请求增加配额。 创建 Azure Databricks 工作区时，可以选择“试用版(高级 - 14天免费 DBU)”定价层，让工作区访问免费的高级 Azure Databricks DBU 14 天。

  • 登录 Azure 门户。

创建 Azure Databricks 工作区

在本部分，你将使用 Azure 门户或 Azure CLI 创建 Azure Databricks 工作区。

  1. 在 Azure 门户中，选择“创建资源”，在搜索筛选器中输入“Azure Databricks”，然后选择 Enter 键。

    Databricks on Azure portal

  2. 在市场页中选择“Azure Databricks”项，然后在 Azure Databricks 页中选择“创建”。

  3. 在“Azure Databricks 服务” 下，提供所需的值以创建 Databricks 工作区。

    Create an Azure Databricks workspace

    提供以下值：

    属性 说明
    工作区名称 提供 Databricks 工作区的名称
    订阅 从下拉列表中选择自己的 Azure 订阅。
    资源组 指定是要创建新的资源组还是使用现有的资源组。 资源组是用于保存 Azure 解决方案相关资源的容器。 有关详细信息，请参阅 Azure 资源组概述。
    位置 选择“中国北部 2”。 有关其他可用区域，请参阅各区域推出的 Azure 服务。
    定价层 在“标准”、“高级”和“试用”之间进行选择。 有关这些层的详细信息，请参阅 Databricks 价格页。

  4. 选择“查看 + 创建”，然后选择“创建” 。 创建工作区需要几分钟时间。 创建工作区时，可以在“通知”中查看部署状态。 完成此过程后，你的用户帐户将自动添加为工作区的管理员用户。

    Databricks deployment tile

    当工作区部署失败时，仍然会在失败状态下创建工作区。 删除失败的工作区，并创建一个解决部署错误的新工作区。 删除失败的工作区时，托管资源组和任何成功部署的资源也将被删除。

在 Databricks 中创建 Spark 群集

注意

若要使用试用版订阅创建 Azure Databricks 群集，请在创建群集前转到个人资料，将订阅更改为“标准预付费套餐”。 有关详细信息，请参阅 Azure 试用版订阅。

  1. 在 Azure 门户中，转到所创建的 Databricks 工作区，然后单击“启动工作区”。

  2. 随后将会重定向到 Azure Databricks 门户。 在该门户中，单击“新建群集”。

    Databricks on Azure

  3. 在“新建群集”页中，提供用于创建群集的值。

    Create Databricks Spark cluster on Azure

    除以下值外，接受其他所有默认值：

    • 输入群集的名称。
    • 在本文中，请创建运行时为 10.4LTS 的群集。
    • 请务必选中“在不活动 __ 分钟后终止”复选框。 提供一个持续时间（以分钟为单位），如果群集在这段时间内一直未被使用，则会将其终止。

    选择“创建群集”。 群集运行后，可将笔记本附加到该群集，并运行 Spark 作业。

有关创建群集的详细信息，请参阅在 Azure Databricks 中创建 Spark 群集。

运行 Spark SQL 作业

执行以下任务在 Databricks 中创建笔记本、将该笔记本配置为从 Azure 开放数据集读取数据，然后针对这些数据运行 Spark SQL 作业。

  1. 在左窗格中选择“Azure Databricks”。 在“常见任务”中，选择“新建笔记本”。

    Create a new notebook

  2. 在“创建笔记本”对话框中输入一个名称，选择“Python”作为语言，并选择前面创建的 Spark 群集。

    Enter notebook details

    选择“创建”。

  3. 在此步骤中，请使用 Azure 开放数据集中的西雅图安全数据创建 Spark DataFrame，并使用 SQL 来查询数据。

    以下命令设置 Azure 存储访问信息。 将此 PySpark 代码粘贴到第一个单元格中，然后使用 Shift+Enter 来运行代码。

    blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=Seattle"
blob_sas_token = r"?st=2019-02-26T02%3A34%3A32Z&se=2119-02-27T02%3A34%3A00Z&sp=rl&sv=2018-03-28&sr=c&sig=XlJVWA7fMXCSxCKqJm8psMOh0W4h7cSYO28coRqF2fs%3D"

    以下命令允许 Spark 以远程方式从 Blob 存储读取数据。 将此 PySpark 代码粘贴到下一个单元格中，然后使用 Shift+Enter 来运行代码。

    wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set('fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name), blob_sas_token)
print('Remote blob path: ' + wasbs_path)

    以下命令创建 DataFrame。 将此 PySpark 代码粘贴到下一个单元格中，然后使用 Shift+Enter 来运行代码。

    df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

  4. 运行一个 SQL 语句，从名为 source 的临时视图返回头 10 行数据。 将此 PySpark 代码粘贴到下一个单元格中，然后使用 Shift+Enter 来运行代码。

    print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

  5. 随后将会看到以下屏幕截图中所示的表格输出（此处只显示了一部分列）：

    Sample data

  6. 现在创建此数据的视觉表示形式，用于说明使用 Citizens Connect App 和 City Worker App 而非其他源报告了多少安全事件。 在表格输出的底部，选择“条形图”图标，然后单击“绘图选项”。

    Create bar chart

  7. 在“自定义绘图”中，按屏幕截图中所示拖放值。

    Customize pie chart

    • 将“键”设置为“source”。

    • 将“值”设置为“<\id>”。

    • 将“聚合”设置为“计数”。

    • 将“显示类型”设置为“饼图”。

      单击“应用”。

清理资源

完成本文后，可以终止群集。 为此，请在 Azure Databricks 工作区的左窗格中选择“群集” 。 针对想要终止的群集，将光标移到“操作” 列下面的省略号上，选择“终止” 图标。

Stop a Databricks cluster

如果不手动终止群集，但在创建群集时选中了“在不活动 __ 分钟后终止”复选框，则该群集会自动停止。 在这种情况下，如果群集保持非活动状态超过指定的时间，则会自动停止。

后续步骤

在本文中，我们已在 Azure Databricks 中创建一个 Spark 群集，并使用 Azure 开放数据集中的数据运行了一个 Spark 作业。 我们还可以查看 Spark 数据源，了解如何将其他数据源中的数据导入 Azure Databricks。 请继续学习下一篇文章，了解如何使用 Azure Databricks 执行 ETL（提取、转换和加载数据）操作。

使用 Azure Databricks 提取、转换和加载数据