Überwachen von Azure DatabricksMonitoring Azure Databricks

Azure Databricks ist ein schneller, leistungsstarker Analysedienst, der auf Apache Spark basiert und eine zügige Entwicklung und Bereitstellung von Analyse- und KI-Lösungen für Big Data ermöglicht.Azure Databricks is a fast, powerful Apache Spark–based analytics service that makes it easy to rapidly develop and deploy big data analytics and artificial intelligence (AI) solutions. Zahlreiche Benutzer profitieren von der Unkompliziertheit einfacher Notebooks in ihren Azure Databricks-Lösungen.Many users take advantage of the simplicity of notebooks in their Azure Databricks solutions. Für Benutzer, die stabilere Computingoptionen benötigen, unterstützt Azure Databricks die verteilte Ausführung von benutzerdefiniertem Anwendungscode.For users that require more robust computing options, Azure Databricks supports the distributed execution of custom application code.

Überwachung ist ein wichtiger Bestandteil jeder Lösung auf Produktionsebene. Azure Databricks bietet stabile Funktionen für die Überwachung von benutzerdefinierten Metriken, Streamingabfrageereignissen und Anwendungsprotokollmeldungen.Monitoring is a critical part of any production-level solution, and Azure Databricks offers robust functionality for monitoring custom application metrics, streaming query events, and application log messages. Azure Databricks kann diese Überwachungsdaten an verschiedene Protokollierungsdienste senden.Azure Databricks can send this monitoring data to different logging services.

In den folgenden Artikeln wird gezeigt, wie Sie Überwachungsdaten aus Azure Databricks an Azure Monitor, die Plattform für Überwachungsdaten für Azure, senden.The following articles show how to send monitoring data from Azure Databricks to Azure Monitor, the monitoring data platform for Azure.

Die zu diesen Artikeln gehörende Codebibliothek erweitert die grundlegende Überwachungsfunktion von Azure Databricks, damit Spark-Metriken, -Ereignisse und -Protokollierungsinformationen an Azure Monitor gesendet werden können.The code library that accompanies these articles extends the core monitoring functionality of Azure Databricks to send Spark metrics, events, and logging information to Azure Monitor.

Diese Artikel und die zugehörige Codebibliothek sind für Entwickler von Apache Spark- und Azure Databricks-Lösungen gedacht.The audience for these articles and the accompanying code library are Apache Spark and Azure Databricks solution developers. Der Code muss in JAR-Dateien (Java Archive) integriert und anschließend in einem Azure Databricks-Cluster bereitgestellt werden.The code must be built into Java Archive (JAR) files and then deployed to an Azure Databricks cluster. Der Code ist eine Kombination aus Scala und Java und enthält entsprechende Maven-POM-Dateien (Projektobjektmodell) zum Erstellen der JAR-Ausgabedateien.The code is a combination of Scala and Java, with a corresponding set of Maven project object model (POM) files to build the output JAR files. Sie sollten mit Java, Scala und Maven vertraut sein.Understanding of Java, Scala, and Maven are recommended as prerequisites.

Nächste SchritteNext steps

Erstellen Sie zunächst die Codebibliothek, und stellen Sie sie in Ihrem Azure Databricks-Cluster bereit.Start by building the code library and deploying it to your Azure Databricks cluster.