Condividi tramite

Usare le trasformazioni dbt in un processo di Azure Databricks

  • Articolo

È possibile eseguire i progetti dbt Core come attività in un processo di Azure Databricks. Eseguendo il progetto dbt Core come attività di processo, è possibile trarre vantaggio dalle seguenti funzionalità dei processi di Azure Databricks:

  • Automatizzare le attività dbt e pianificare i flussi di lavoro che includono attività dbt.
  • Monitorare le trasformazioni dbt e inviare notifiche sullo stato delle trasformazioni.
  • Includere il progetto dbt in un flusso di lavoro con altre attività. Ad esempio, il flusso di lavoro può inserire dati con il caricatore automatico, trasformare i dati con dbt e analizzare i dati con un'attività notebook.
  • Archiviazione automatica degli artefatti dalle esecuzioni del processo, inclusi log, risultati, manifesti e configurazione.

Per altre informazioni su dbt Core, vedere la documentazione di dbt.

Flusso di lavoro di sviluppo e produzione

Databricks consiglia di sviluppare progetti dbt in un databricks SQL Warehouse. Usando un data warehouse SQL di Databricks, è possibile testare il codice SQL generato da dbt e usare la cronologia delle query del data warehouse SQL per eseguire il debug delle query generate da dbt.

Per eseguire le trasformazioni dbt nell'ambiente di produzione, Databricks consiglia di usare l'attività dbt in un processo di Databricks. Per impostazione predefinita, l'attività dbt eseguirà il processo dbt Python usando il calcolo di Azure Databricks e il databaset generato da SQL nel data warehouse selezionato.

È possibile eseguire trasformazioni dbt in un'istanza serverless di SQL Warehouse o pro SQL Warehouse, in un ambiente di calcolo di Azure Databricks o in qualsiasi altro warehouse supportato da dbt. Questo articolo illustra le prime due opzioni con esempi.

Se l'area di lavoro è abilitata per Unity Catalog e i flussi di lavoro serverless sono abilitati, per impostazione predefinita, il processo viene eseguito nel calcolo serverless.

Nota

Lo sviluppo di modelli dbt in un'istanza di SQL Warehouse e l'esecuzione nell'ambiente di produzione nel calcolo di Azure Databricks possono causare piccole differenze nelle prestazioni e nel supporto del linguaggio SQL. Databricks consiglia di usare la stessa versione di Databricks Runtime per il calcolo e sql warehouse.

Requisiti

  • Per informazioni su come usare dbt Core e il dbt-databricks pacchetto per creare ed eseguire progetti dbt nell'ambiente di sviluppo, vedere Connessione a dbt Core.

    Databricks consiglia il pacchetto dbt-databricks , non il pacchetto dbt-spark. Il pacchetto dbt-databricks è un fork di dbt-spark ottimizzato per Databricks.

  • Per usare progetti dbt in un processo di Azure Databricks, è necessario configurare l'integrazione di Git con le cartelle Git di Databricks. Non è possibile eseguire un progetto dbt da DBFS.

  • È necessario che siano abilitati serverless o pro SQL Warehouse.

  • È necessario avere il diritto SQL di Databricks.

Creare ed eseguire il primo processo dbt

Nell'esempio seguente viene usato il progetto jaffle_shop , un progetto di esempio che illustra i concetti principali di dbt. Per creare un processo che esegue il progetto jaffle shop, seguire questa procedura.

  1. Passare alla pagina di destinazione di Azure Databricks ed eseguire una delle operazioni seguenti:

    • Fare clic su Icona Flussi di lavoroFlussi di lavoro nella barra laterale e fare clic su .Pulsante Crea processo
    • Nella barra laterale fare clic su Nuova iconaNuovo e selezionare Processo.

  2. Nella casella di testo dell'attività della scheda Attività sostituire Aggiungi un nome per il processo con il nome del processo.

  3. In Nome attività immettere un nome per l'attività.

  4. In Tipo selezionare il tipo di attività dbt .

    Aggiungere un'attività dbt

  5. Nel menu a discesa Origine è possibile selezionare Area di lavoro per usare un progetto dbt che si trova in una cartella dell'area di lavoro di Azure Databricks o in un provider Git per un progetto che si trova in un repository Git remoto. Poiché questo esempio usa il progetto jaffle shop che si trova in un repository Git, selezionare Provider Git, fare clic su Modifica e immettere i dettagli per il repository GitHub di jaffle shop.

    Configurare il repository del progetto dbt

    • In URL del repository Git immettere l'URL del progetto jaffle shop.
    • In Riferimento Git (ramo/tag/commit)immettere main. È anche possibile usare un tag o SHA.

  6. Fare clic su Conferma.

  7. Nelle caselle di testo dei comandi dbt specificare i comandi dbt da eseguire (deps, seed ed run). È necessario anteporre a ogni comando dbt. I comandi vengono eseguiti nell'ordine specificato.

    Configurare i comandi dbt

  8. In SQL Warehouse selezionare un'istanza di SQL Warehouse per eseguire sql generato da dbt. Il menu a discesa SQL Warehouse mostra solo i serverless e pro SQL Warehouse.

  9. (Facoltativo) È possibile specificare uno schema per l'output dell'attività. Per impostazione predefinita, viene usato lo schema default .

  10. (Facoltativo) Se si vuole modificare la configurazione di calcolo che esegue dbt Core, fare clic su dbt CLI compute (Calcolo dell'interfaccia della riga di comando dbt).

  11. (Facoltativo) È possibile specificare una versione dbt-databricks per l'attività. Ad esempio, per aggiungere l'attività dbt a una versione specifica per lo sviluppo e la produzione:

    • In Librerie dipendenti fare clic su Icona Elimina accanto alla versione corrente di dbt-databricks.
    • Fare clic su Aggiungi.
    • Nella finestra di dialogo Aggiungi libreria dipendente selezionare PyPI e immettere la versione dbt-package nella casella di testo Pacchetto (ad esempio, dbt-databricks==1.6.0).
    • Fare clic su Aggiungi.

    Configurare la versione di dbt-databricks

    Nota

    Databricks consiglia di aggiungere le attività dbt a una versione specifica del pacchetto dbt-databricks per assicurarsi che la stessa versione venga usata per le esecuzioni di sviluppo e produzione. Databricks consiglia la versione 1.6.0 o successiva del pacchetto dbt-databricks.

  12. Fai clic su Crea.

  13. Per eseguire il processo, fare clic su Pulsante Esegui ora.

Visualizzare i risultati dell'attività del processo dbt

Al termine del processo, è possibile testare i risultati eseguendo query SQL da un notebook o eseguendo query nel databricks warehouse. Ad esempio, vedere le query di esempio seguenti:

 SHOW tables IN <schema>;

SELECT * from <schema>.customers LIMIT 10;

Sostituire <schema> con il nome dello schema configurato nella configurazione dell'attività.

Esempio di API

È anche possibile usare l'API Processi per creare e gestire processi che includono attività dbt. L'esempio seguente crea un processo con una singola attività dbt:

{
  "name": "jaffle_shop dbt job",
  "max_concurrent_runs": 1,
  "git_source": {
    "git_url": "https://github.com/dbt-labs/jaffle_shop",
    "git_provider": "gitHub",
    "git_branch": "main"
  },
  "job_clusters": [
    {
      "job_cluster_key": "dbt_CLI",
      "new_cluster": {
        "spark_version": "10.4.x-photon-scala2.12",
        "node_type_id": "Standard_DS3_v2",
        "num_workers": 0,
        "spark_conf": {
          "spark.master": "local[*, 4]",
          "spark.databricks.cluster.profile": "singleNode"
        },
        "custom_tags": {
          "ResourceClass": "SingleNode"
        }
      }
    }
  ],
  "tasks": [
    {
      "task_key": "transform",
      "job_cluster_key": "dbt_CLI",
      "dbt_task": {
        "commands": [
          "dbt deps",
          "dbt seed",
          "dbt run"
        ],
        "warehouse_id": "1a234b567c8de912"
      },
      "libraries": [
        {
          "pypi": {
            "package": "dbt-databricks>=1.0.0,<2.0.0"
          }
        }
      ]
    }
  ]
}

(Avanzate) Eseguire dbt con un profilo personalizzato

Per eseguire l'attività dbt con un'istanza di SQL Warehouse (scelta consigliata) o un calcolo a tutti gli scopi, usare una definizione personalizzata profiles.yml del warehouse o dell'ambiente di calcolo di Azure Databricks a cui connettersi. Per creare un processo che esegue il progetto jaffle shop con un magazzino o un calcolo tutto scopo, seguire questa procedura.

Nota

Come destinazione per un'attività dbt è possibile usare solo un'istanza di SQL Warehouse o di calcolo tutto scopo. Non è possibile usare il calcolo del processo come destinazione per dbt.

  1. Creare un fork del repository jaffle_shop .

  2. Clonare il repository con fork nel desktop. Ad esempio, è possibile eseguire un comando simile al seguente:

    git clone https://github.com/<username>/jaffle_shop.git

    Sostituire <username> con l'handle GitHub.

  3. Creare un nuovo file denominato profiles.yml nella jaffle_shop directory con il contenuto seguente:

     jaffle_shop:
   target: databricks_job
   outputs:
     databricks_job:
      type: databricks
      method: http
      schema: "<schema>"
      host: "<http-host>"
      http_path: "<http-path>"
      token: "{{ env_var('DBT_ACCESS_TOKEN') }}"
    • Sostituire <schema> con un nome di schema per le tabelle di progetto.
    • Per eseguire l'attività dbt con un'istanza di SQL Warehouse, sostituire <http-host> con il valore Nome host server della scheda dettagli Connessione ion per SQL Warehouse. Per eseguire l'attività dbt con calcolo all-purpose, sostituire <http-host> con il valore Nome host server dalla scheda Opzioni avanzate, JDBC/ODBC per il calcolo di Azure Databricks.
    • Per eseguire l'attività dbt con un'istanza di SQL Warehouse, sostituire <http-path> con il valore percorso HTTP della scheda dettagli Connessione ion per sql warehouse. Per eseguire l'attività dbt con calcolo all-purpose, sostituire <http-path> con il valore percorso HTTP dalla scheda Opzioni avanzate, JDBC/ODBC per il calcolo di Azure Databricks.

    Non si specificano segreti, ad esempio i token di accesso, nel file perché il file verrà archiviato nel controllo del codice sorgente. Questo file usa invece la funzionalità dbt templating per inserire le credenziali in modo dinamico in fase di esecuzione.

    Nota

    Le credenziali generate sono valide per la durata dell'esecuzione, fino a un massimo di 30 giorni e vengono revocate automaticamente dopo il completamento.

  4. Controllare questo file in Git ed eseguirne il push nel repository con fork. Ad esempio, è possibile eseguire comandi come il seguente:

    git add profiles.yml
git commit -m "adding profiles.yml for my Databricks job"
git push

  5. Fare clic su Icona Flussi di lavoroFlussi di lavoro nella barra laterale dell'interfaccia utente di Databricks.

  6. Selezionare il processo dbt e fare clic sulla scheda Attività .

  7. In Source (Origine) fare clic su Edit (Modifica ) e immettere i dettagli del repository GitHub shop con fork.

    Configurare il repository del progetto con fork

  8. In SQL Warehouse selezionare Nessuno (manuale).

  9. In Directory profili immettere il percorso relativo della directory contenente il profiles.yml file. Lasciare vuoto il valore del percorso per usare l'impostazione predefinita della radice del repository.

(Avanzate) Usare modelli Python dbt in un flusso di lavoro

Nota

Il supporto dbt per i modelli Python è in versione beta e richiede dbt 1.3 o versione successiva.

dbt supporta ora modelli Python in data warehouse specifici, tra cui Databricks. Con i modelli python dbt è possibile usare gli strumenti dell'ecosistema Python per implementare trasformazioni difficili da implementare con SQL. È possibile creare un processo di Azure Databricks per eseguire una singola attività con il modello dbt Python oppure includere l'attività dbt come parte di un flusso di lavoro che include più attività.

Non è possibile eseguire modelli Python in un'attività dbt usando un'istanza di SQL Warehouse. Per altre informazioni sull'uso di modelli Python dbt con Azure Databricks, vedere Data warehouse specifici nella documentazione di dbt.

Errori e risoluzione dei problemi

Errore del file di profilo non esistente

Messaggio di errore:

dbt looked for a profiles.yml file in /tmp/.../profiles.yml but did not find one.

Possibili cause:

Il profiles.yml file non è stato trovato nella $PATH specificata. Assicurarsi che la radice del progetto dbt contenga il file profiles.yml.