Databricks 자산 번들을 사용하여 Azure Databricks에서 작업 개발

아티클
05/02/2024

단순히 번들이라고도 하는 Databricks 자산 번들을 사용하면 작업과 같은 Azure Databricks 리소스를 프로그래밍 방식으로 유효성 검사, 배포 및 실행할 수 있습니다. 번들을 사용하여 Delta Live Tables 파이프라인을 프로그래밍 방식으로 관리하고 MLOps 스택으로 작업할 수도 있습니다. Databricks 자산 번들이란?을 참조하세요.

이 문서에서는 로컬 개발 설정에서 프로그래밍 방식으로 작업을 관리하는 번들을 사용하기 위해 완료할 수 있는 단계를 설명합니다. Azure Databricks 워크플로 소개를 참조 하세요.

번들로 이동하려는 Azure Databricks 워크플로 사용자 인터페이스 또는 API를 사용하여 만든 기존 작업이 있는 경우 번들 구성 파일로 다시 만들어야 합니다. 이를 위해 Databricks는 먼저 아래 단계를 사용하여 번들을 만들고 번들의 작동 여부를 확인하는 것이 좋습니다. 그런 다음, 번들에 작업 정의, Notebook 및 기타 원본을 추가할 수 있습니다. 번들에 기존 작업 정의 추가를 참조하세요.

Databricks CLI를 사용하여 번들에 의해 배포된 작업을 실행하는 것 외에도 Azure Databricks 작업 UI에서 이러한 작업을 보고 실행할 수 있습니다. Databricks 자산 번들로 만든 작업 보기 및 실행을 참조 하세요.

요구 사항

Databricks CLI 버전 0.218 이상. 설치된 버전의 Databricks CLI를 검사 명령을 databricks -v실행합니다. Databricks CLI를 설치하려면 Databricks CLI 설치 또는 업데이트를 참조하세요.

결정: 템플릿을 사용하거나 수동으로 번들 만들기

템플릿을 사용하여 예제 번들을 만들 것인지 아니면 수동으로 만들 것인지 결정합니다.

템플릿을 사용하여 번들 만들기
수동으로 번들 만들기

템플릿을 사용하여 번들 만들기

이 단계에서는 Notebook 또는 Python 코드로 구성된 Python용 Azure Databricks 기본 번들 템플릿을 사용하여 번들을 만들고 실행할 작업의 정의와 쌍을 이루게 됩니다. 그런 다음 Azure Databricks 작업 영역 내에서 배포된 작업의 유효성을 검사, 배포 및 실행합니다. 원격 작업 영역에는 작업 영역 파일이 활성화되어 있어야 합니다. 작업 영역 파일이란?을 참조하세요.

1단계: 인증 설정

이 단계에서는 개발 컴퓨터의 Databricks CLI와 Azure Databricks 작업 영역 간에 인증을 설정합니다. 이 문서에서는 OAuth U2M(사용자-컴퓨터) 인증 및 인증을 위해 명명된 DEFAULT 해당 Azure Databricks 구성 프로필을 사용하려고 하는 것으로 가정합니다.

참고 항목

U2M 인증은 이러한 단계를 실시간으로 시도하는 데 적합합니다. 완전히 자동화된 워크플로의 경우 Databricks는 OAuth M2M(컴퓨터 간) 인증을 대신 사용하는 것이 좋습니다. 인증에서 M2M 인증 설정 지침을 참조하세요.

Databricks CLI를 사용하여 각 대상 작업 영역에 대해 다음 명령을 실행하여 OAuth 토큰 관리를 로컬로 시작합니다.

다음 명령에서 작업 영역별 Azure Databricks URL로 바꿉 <workspace-url> 니다. 예를 들면 다음과 같습니다https://adb-1234567890123456.7.azuredatabricks.net.
```
databricks auth login --host <workspace-url>
```
Databricks CLI는 Azure Databricks 구성 프로필로 입력한 정보를 저장하라는 메시지를 표시합니다. 제안된 프로필 이름을 적용하려면 누르 Enter 거나 새 프로필 또는 기존 프로필의 이름을 입력합니다. 이름이 같은 기존 프로필은 입력한 정보로 덮어씁니다. 프로필을 사용하여 여러 작업 영역에서 인증 컨텍스트를 빠르게 전환할 수 있습니다.

기존 프로필 목록을 얻으려면 별도의 터미널 또는 명령 프롬프트에서 Databricks CLI를 사용하여 명령을 databricks auth profiles실행합니다. 특정 프로필의 기존 설정을 보려면 명령을 databricks auth env --profile <profile-name>실행합니다.
웹 브라우저에서 화면의 지침을 완료하여 Azure Databricks 작업 영역에 로그인합니다.
프로필의 현재 OAuth 토큰 값과 토큰의 예정된 만료 타임스탬프를 보려면 다음 명령 중 하나를 실행합니다.
- databricks auth token --host <workspace-url>
- databricks auth token -p <profile-name>
- databricks auth token --host <workspace-url> -p <profile-name>
동일한 --host 값을 가진 여러 프로필이 있는 경우 Databricks CLI가 올바른 일치하는 OAuth 토큰 정보를 찾을 수 있도록 옵션과 -p 옵션을 함께 지정 --host 해야 할 수 있습니다.

2단계: 번들 만들기

번들에는 배포하려는 아티팩트와 실행하려는 리소스에 대한 설정이 포함됩니다.

터미널 또는 명령 프롬프트를 사용하여 템플릿의 생성된 번들을 포함하는 로컬 개발 머신의 디렉터리로 전환합니다.
Dataricks CLI를 사용하여 명령을 실행합니다 bundle init .
```
databricks bundle init
```
의 경우 Template to use키를 눌러 Enter기본값을 default-python 그대로 둡니다.
의 경우 Unique name for this project기본값을 my_project그대로 두거나 다른 값을 입력한 다음 키를 누릅니다 Enter. 이 번들에 대한 루트 디렉터리의 이름이 결정됩니다. 이 루트 디렉터리가 현재 작업 디렉터리 내에 만들어집니다.
의 경우 Include a stub (sample) notebook를 선택하고 yes 누릅니다 Enter.
의 경우 Include a stub (sample) DLT pipeline를 선택하고 no 누릅니다 Enter. 그러면 Databricks CLI가 번들에 샘플 Delta Live Tables 파이프라인을 정의하지 않도록 지시합니다.
의 경우 Include a stub (sample) Python package를 선택하고 no 누릅니다 Enter. 그러면 Databricks CLI에서 샘플 Python 휠 패키지 파일 또는 관련 빌드 지침을 번들에 추가하지 않도록 지시합니다.

3단계: 번들 탐색

템플릿이 생성한 파일을 보려면 새로 만든 번들의 루트 디렉터리로 전환하고 기본 설정 IDE(예: Visual Studio Code)를 사용하여 이 디렉터리를 엽니다. 특히 관심 있는 파일은 다음과 같습니다.

databricks.yml: 이 파일은 번들 프로그래밍 이름을 지정하고, 작업 정의에 대한 참조를 포함하며, 대상 작업 영역에 대한 설정을 지정합니다.
resources/<project-name>_job.yml: 이 파일은 기본 Notebook 작업을 포함하여 작업의 설정을 지정합니다.
src/notebook.ipynb: 이 파일은 실행할 때 숫자 1~10이 포함된 RDD를 초기화하는 샘플 Notebook입니다.

작업을 사용자 지정하기 위해 작업 선언 내의 매핑은 YAML 형식으로 표현된 REST API 참조에서 POST /api/2.1/jobs/create에 정의된 대로 작업 만들기 작업의 요청 페이로드에 해당합니다.

팁

Databricks 자산 번들의 클러스터 설정 재정의에 설명된 기술을 사용하여 번들의 새 작업 클러스터에 대한 설정을 정의, 결합 및 재정의할 수 있습니다.

4단계: 프로젝트의 번들 구성 파일 유효성 검사

이 단계에서는 번들 구성이 유효한지 여부를 검사.

루트 디렉터리에서 Databricks CLI를 사용하여 다음과 같이 명령을 실행 bundle validate 합니다.
```
databricks bundle validate
```
번들 구성 요약이 반환되면 유효성 검사가 성공했습니다. 오류가 반환되면 오류를 수정한 다음 이 단계를 반복합니다.

이 단계 후에 번들을 변경하는 경우 번들 구성이 여전히 유효한지 여부를 검사 위해 이 단계를 반복해야 합니다.

5단계: 원격 작업 영역에 로컬 프로젝트 배포

이 단계에서는 원격 Azure Databricks 작업 영역에 로컬 Notebook을 배포하고 작업 영역 내에서 Azure Databricks 작업을 만듭니다.

번들 루트에서 Databricks CLI를 사용하여 다음과 같이 명령을 실행 bundle deploy 합니다.
```
databricks bundle deploy -t dev
```
로컬 Notebook이 배포되었는지 확인합니다. Azure Databricks 작업 영역의 사이드바에서 작업 영역을 클릭합니다.
Users><your-username>> .bundle ><project-name>> dev > files > src 폴더를 클릭합니다. 전자 필기장이 이 폴더에 있어야 합니다.
작업이 만들어졌는지 확인합니다. Azure Databricks 작업 영역의 사이드바에서 워크플로를 클릭합니다.
작업 탭에서 [개발<your-username>]<project-name>_job 을 클릭합니다.
작업 탭을 클릭합니다. notebook_task 한 가지 작업이 있어야 합니다.

이 단계 후에 번들을 변경한 경우 4-5단계를 반복하여 번들 구성이 여전히 유효한지 여부를 검사 다음 프로젝트를 다시 배포해야 합니다.

6단계: 배포된 프로젝트 실행

이 단계에서는 작업 영역에서 Azure Databricks 작업을 실행합니다.

루트 디렉터리에서 Databricks CLI를 사용하여 다음과 같이 명령을 실행하고 bundle run 2단계의 프로젝트 이름으로 바꿉 <project-name> 니다.
```
databricks bundle run -t dev <project-name>_job
```
터미널에 표시되는 값을 Run URL 복사하고 이 값을 웹 브라우저에 붙여넣어 Azure Databricks 작업 영역을 엽니다.
Azure Databricks 작업 영역에서 작업 작업이 성공적으로 완료되고 녹색 제목 표시줄이 표시되면 작업 작업을 클릭하여 결과를 확인합니다.

이 단계 후에 번들을 변경한 경우 4-6단계를 반복하여 번들 구성이 여전히 유효한지 여부를 검사 프로젝트를 다시 배포하고 재배포된 프로젝트를 실행해야 합니다.

7단계: 정리

이 단계에서는 배포된 Notebook 및 작업을 작업 영역에서 삭제합니다.

루트 디렉터리에서 Databricks CLI를 사용하여 다음과 같이 명령을 실행 bundle destroy 합니다.
```
databricks bundle destroy
```
작업 삭제 요청 확인: 리소스를 영구적으로 삭제하라는 메시지가 표시되면 입력 y 하고 누릅니다 Enter.
Notebook 삭제 요청 확인: 이전에 배포된 폴더와 모든 파일을 영구적으로 삭제하라는 메시지가 표시되면 입력 y 하고 누릅니다 Enter.
개발 머신에서 번들을 삭제하려는 경우 이제 2단계에서 로컬 디렉터리를 삭제할 수 있습니다.

템플릿을 사용하여 번들을 만드는 단계의 끝에 도달했습니다.

수동으로 번들 만들기

이 단계에서는 번들을 처음부터 만듭니다. 이 간단한 번들은 두 개의 Notebook과 이러한 Notebook을 실행하는 Azure Databricks 작업의 정의로 구성됩니다. 그런 다음 Azure Databricks 작업 영역 내의 작업에서 배포된 Notebook의 유효성을 검사, 배포 및 실행합니다. 이러한 단계는 Azure Databricks 작업을 사용하여 첫 번째 워크플로 만들기라는 빠른 시작을 자동화합니다.

1단계: 번들 만들기

번들에는 배포하려는 아티팩트와 실행하려는 리소스에 대한 설정이 포함됩니다.

개발 머신에서 빈 디렉터리를 만들거나 식별합니다.
터미널의 빈 디렉터리로 전환하거나 IDE에서 빈 디렉터리를 엽니다.

팁

빈 디렉터리는 Git 공급자가 관리하는 복제된 리포지토리와 연결할 수 있습니다. 이렇게 하면 외부 버전 제어를 사용하여 번들을 관리하고 프로젝트에서 다른 개발자 및 IT 전문가와 보다 쉽게 공동 작업할 수 있습니다. 그러나 이 데모를 간소화하기 위해 복제된 리포지토리는 여기서 사용되지 않습니다.

이 데모에 대한 리포지토리를 복제하도록 선택하는 경우 Databricks는 리포지토리가 비어 있거나 기본 파일(예: README.gitignore및 )만 포함하는 것이 좋습니다. 그렇지 않으면 리포지토리의 기존 파일이 Azure Databricks 작업 영역에 불필요하게 동기화될 수 있습니다.

2단계: 프로젝트에 Notebook 추가

이 단계에서는 프로젝트에 두 개의 Notebook을 추가합니다. 첫 번째 노트북은 2007년 이후 뉴욕 주 보건부의 공개 데이터 원본에서 인기 있는 아기 이름 목록을 가져옵니다. 아기 이름 참조: 이름으로 추세: 부서의 웹 사이트에서 2007 년까지. 그런 다음 첫 번째 Notebook은 이 데이터를 이름이 지정된 main카탈로그 내에 명명된 스키마에 명명 default 된 my-volume Azure Databricks Unity 카탈로그 볼륨에 저장합니다. 두 번째 Notebook은 저장된 데이터를 쿼리하고 2014년 이름과 성별별로 아기 이름의 집계된 수를 표시합니다.

디렉터리의 루트에서 첫 번째 Notebook,라는 retrieve-baby-names.py파일을 만듭니다.

retrieve-baby-names.py 파일에 다음 코드를 추가합니다.

# Databricks notebook source
import requests

response = requests.get('http://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv')
csvfile = response.content.decode('utf-8')
dbutils.fs.put("/Volumes/main/default/my-volume/babynames.csv", csvfile, True)

같은 디렉터리에 두 번째 Notebook 파일인 파일을 filter-baby-names.py만듭니다.

filter-baby-names.py 파일에 다음 코드를 추가합니다.

# Databricks notebook source
babynames = spark.read.format("csv").option("header", "true").option("inferSchema", "true").load("/Volumes/main/default/my-volume/babynames.csv")
babynames.createOrReplaceTempView("babynames_table")
years = spark.sql("select distinct(Year) from babynames_table").toPandas()['Year'].tolist()
years.sort()
dbutils.widgets.dropdown("year", "2014", [str(x) for x in years])
display(babynames.filter(babynames.Year == dbutils.widgets.get("year")))

3단계: 프로젝트에 번들 구성 스키마 파일 추가

YAML 파일 및 JSON 스키마 파일을 지원하는 Visual Studio Code, PyCharm Professional 또는 IntelliJ IDEA Ultimate와 같은 IDE를 사용하는 경우 IDE를 사용하여 번들 구성 스키마 파일을 만들 뿐만 아니라 프로젝트의 번들 구성 파일 구문 및 서식을 검사 코드 완성 힌트를 제공할 수 있습니다. 다음과 같습니다. 5단계에서 나중에 만들 번들 구성 파일은 YAML 기반이지만 이 단계의 번들 구성 스키마 파일은 JSON 기반입니다.

Visual Studio 코드

예를 들어 Visual Studio Code Marketplace에서 YAML 확장을 설치하여 VISUAL Studio Code에 YAML 언어 서버 지원을 추가합니다.
Databricks CLI를 사용하여 Databricks Asset Bundle 구성 JSON 스키마 파일을 생성하여 명령을 실행하고 bundle schema 출력을 JSON 파일로 리디렉션합니다. 예를 들어 다음과 같이 현재 디렉터리 내에 명명된 bundle_config_schema.json 파일을 생성합니다.
```
databricks bundle schema > bundle_config_schema.json
```
5단계의 뒷부분에서 번들 구성 파일의 시작 부분에 다음 주석을 추가하여 번들 구성 파일을 지정된 JSON 스키마 파일과 연결합니다.
```
# yaml-language-server: $schema=bundle_config_schema.json
```
참고 항목

앞의 설명에서 Databricks Asset Bundle 구성 JSON 스키마 파일이 다른 경로에 있는 경우 스키마 파일의 전체 경로로 바꿉 bundle_config_schema.json 니다.

Pycharm professsional

Databricks CLI를 사용하여 Databricks Asset Bundle 구성 JSON 스키마 파일을 생성하여 명령을 실행하고 bundle schema 출력을 JSON 파일로 리디렉션합니다. 예를 들어 다음과 같이 현재 디렉터리 내에 명명된 bundle_config_schema.json 파일을 생성합니다.
```
databricks bundle schema > bundle_config_schema.json
```
번들 구성 JSON 스키마 파일을 인식하도록 PyCharm을 구성한 다음 사용자 지정 JSON 스키마 구성의 지침에 따라 JSON 스키마 매핑을 완료합니다.
5단계의 뒷부분에서는 PyCharm을 사용하여 번들 구성 파일을 만들거나 엽니다. 규칙에 따라 이 파일의 이름은 databricks.yml.

Intellij idea ultimate

Databricks CLI를 사용하여 Databricks Asset Bundle 구성 JSON 스키마 파일을 생성하여 명령을 실행하고 bundle schema 출력을 JSON 파일로 리디렉션합니다. 예를 들어 다음과 같이 현재 디렉터리 내에 명명된 bundle_config_schema.json 파일을 생성합니다.
```
databricks bundle schema > bundle_config_schema.json
```
번들 구성 JSON 스키마 파일을 인식하도록 IntelliJ IDEA를 구성한 다음 사용자 지정 JSON 스키마 구성의 지침에 따라 JSON 스키마 매핑을 완료합니다.
5단계의 뒷부분에서는 IntelliJ IDEA를 사용하여 번들 구성 파일을 만들거나 엽니다. 규칙에 따라 이 파일의 이름은 databricks.yml.

4단계: 인증 설정

참고 항목

Databricks CLI를 사용하여 각 대상 작업 영역에 대해 다음 명령을 실행하여 OAuth 토큰 관리를 로컬로 시작합니다.

다음 명령에서 작업 영역별 Azure Databricks URL로 바꿉 <workspace-url> 니다. 예를 들면 다음과 같습니다https://adb-1234567890123456.7.azuredatabricks.net.
```
databricks auth login --host <workspace-url>
```
Databricks CLI는 Azure Databricks 구성 프로필로 입력한 정보를 저장하라는 메시지를 표시합니다. 제안된 프로필 이름을 적용하려면 누르 Enter 거나 새 프로필 또는 기존 프로필의 이름을 입력합니다. 이름이 같은 기존 프로필은 입력한 정보로 덮어씁니다. 프로필을 사용하여 여러 작업 영역에서 인증 컨텍스트를 빠르게 전환할 수 있습니다.

기존 프로필 목록을 얻으려면 별도의 터미널 또는 명령 프롬프트에서 Databricks CLI를 사용하여 명령을 databricks auth profiles실행합니다. 특정 프로필의 기존 설정을 보려면 명령을 databricks auth env --profile <profile-name>실행합니다.
웹 브라우저에서 화면의 지침을 완료하여 Azure Databricks 작업 영역에 로그인합니다.
프로필의 현재 OAuth 토큰 값과 토큰의 예정된 만료 타임스탬프를 보려면 다음 명령 중 하나를 실행합니다.
- databricks auth token --host <workspace-url>
- databricks auth token -p <profile-name>
- databricks auth token --host <workspace-url> -p <profile-name>
동일한 --host 값을 가진 여러 프로필이 있는 경우 Databricks CLI가 올바른 일치하는 OAuth 토큰 정보를 찾을 수 있도록 옵션과 -p 옵션을 함께 지정 --host 해야 할 수 있습니다.

5단계: 프로젝트에 번들 구성 파일 추가

이 단계에서는 두 Notebook을 배포하고 실행하는 방법을 정의합니다. 이 데모에서는 Azure Databricks 작업을 사용하여 첫 번째 Notebook과 두 번째 Notebook을 실행하려고 합니다. 첫 번째 Notebook은 데이터를 저장하고 두 번째 Notebook은 저장된 데이터를 쿼리하므로 두 번째 Notebook이 시작되기 전에 첫 번째 Notebook 실행을 완료하려고 합니다. 프로젝트의 번들 구성 파일 내에서 이러한 목표를 모델링합니다.

디렉터리의 루트에서 번들 구성 파일인 이름이 인 databricks.yml파일을 만듭니다.
예를 들어 https://adb-1234567890123456.7.azuredatabricks.net작업 영역별 URL로 바꿔 <workspace-url> 서 파일에 다음 코드를 databricks.yml 추가합니다. 이 URL은 파일 .databrickscfg 의 URL과 일치해야 합니다.

팁

첫 번째 줄 # yaml-language-server은 IDE에서 지원하는 경우에만 필요합니다. 자세한 내용은 이전 3단계를 참조하세요.

# yaml-language-server: $schema=bundle_config_schema.json
bundle:
  name: baby-names

resources:
  jobs:
    retrieve-filter-baby-names-job:
      name: retrieve-filter-baby-names-job
      job_clusters:
        - job_cluster_key: common-cluster
          new_cluster:
            spark_version: 12.2.x-scala2.12
            node_type_id: Standard_DS3_v2
            num_workers: 1
      tasks:
        - task_key: retrieve-baby-names-task
          job_cluster_key: common-cluster
          notebook_task:
            notebook_path: ./retrieve-baby-names.py
        - task_key: filter-baby-names-task
          depends_on:
            - task_key: retrieve-baby-names-task
          job_cluster_key: common-cluster
          notebook_task:
            notebook_path: ./filter-baby-names.py

targets:
  development:
    workspace:
      host: <workspace-url>

팁

Databricks 자산 번들의 클러스터 설정 재정의에 설명된 기술을 사용하여 번들의 새 작업 클러스터에 대한 설정을 정의, 결합 및 재정의할 수 있습니다.

6단계: 프로젝트의 번들 구성 파일 유효성 검사

이 단계에서는 번들 구성이 유효한지 여부를 검사.

Databricks CLI를 사용하여 다음과 같이 명령을 실행 bundle validate 합니다.
```
databricks bundle validate
```
번들 구성 요약이 반환되면 유효성 검사가 성공했습니다. 오류가 반환되면 오류를 수정한 다음 이 단계를 반복합니다.

이 단계 후에 번들을 변경하는 경우 번들 구성이 여전히 유효한지 여부를 검사 위해 이 단계를 반복해야 합니다.

7단계: 원격 작업 영역에 로컬 프로젝트 배포

이 단계에서는 두 개의 로컬 Notebook을 원격 Azure Databricks 작업 영역에 배포하고 작업 영역 내에서 Azure Databricks 작업을 만듭니다.

Databricks CLI를 사용하여 다음과 같이 명령을 실행 bundle deploy 합니다.
```
databricks bundle deploy -t development
```
두 로컬 Notebook이 배포되었는지 확인합니다. Azure Databricks 작업 영역의 사이드바에서 작업 영역을 클릭합니다.
Users><your-username>> .bundle > baby-names > development > files 폴더를 클릭합니다. 두 전자 필기장이 이 폴더에 있어야 합니다.
작업이 만들어졌는지 확인합니다. Azure Databricks 작업 영역의 사이드바에서 워크플로를 클릭합니다.
작업 탭에서 retrieve-filter-baby-names-job을 클릭합니다.
작업 탭을 클릭합니다. retrieve-baby-names-task와 filter-baby-names-task라는 두 가지 작업이 있어야 합니다.

이 단계 후에 번들을 변경하는 경우 6-7단계를 반복하여 번들 구성이 여전히 유효한지 여부를 검사 다음 프로젝트를 다시 배포해야 합니다.

8단계: 배포된 프로젝트 실행

이 단계에서는 작업 영역에서 Azure Databricks 작업을 실행합니다.

Databricks CLI를 사용하여 다음과 같이 명령을 실행 bundle run 합니다.
```
databricks bundle run -t development retrieve-filter-baby-names-job
```
터미널에 표시되는 값을 Run URL 복사하고 이 값을 웹 브라우저에 붙여넣어 Azure Databricks 작업 영역을 엽니다.
Azure Databricks 작업 영역에서 두 작업이 성공적으로 완료되고 녹색 제목 표시줄이 표시되면 filter-baby-names-task 작업을 클릭하여 쿼리 결과를 확인합니다.

이 단계 후에 번들을 변경하는 경우 6-8단계를 반복하여 번들 구성이 여전히 유효한지 여부를 검사 프로젝트를 다시 배포하고 재배포된 프로젝트를 실행해야 합니다.

9단계: 정리

이 단계에서는 배포된 두 개의 Notebook과 작업을 작업 영역에서 삭제합니다.

Databricks CLI를 사용하여 다음과 같이 명령을 실행 bundle destroy 합니다.
```
databricks bundle destroy
```
작업 삭제 요청 확인: 리소스를 영구적으로 삭제하라는 메시지가 표시되면 입력 y 하고 누릅니다 Enter.
Notebook 삭제 요청 확인: 이전에 배포된 폴더와 모든 파일을 영구적으로 삭제하라는 메시지가 표시되면 입력 y 하고 누릅니다 Enter.

명령을 실행하면 bundle destroy 배포된 작업과 배포된 두 개의 Notebook이 포함된 폴더만 삭제됩니다. 이 명령은 첫 번째 Notebook에서 만든 파일과 같은 babynames.csv 부작용을 삭제하지 않습니다. 파일을 삭제 babybnames.csv 하려면 다음을 수행합니다.

Azure Databricks 작업 영역의 사이드바에서 카탈로그를 클릭합니다.
DBFS 찾아보기를 클릭합니다.
FileStore 폴더를 클릭합니다.
babynames.csv 옆의 드롭다운 화살표를 클릭하고 삭제를 클릭합니다.
개발 머신에서 번들을 삭제하려는 경우 이제 1단계에서 로컬 디렉터리를 삭제할 수 있습니다.

번들에 기존 작업 정의 추가

기존 작업 정의를 기준으로 사용하여 번들 구성 파일에서 새 작업을 정의할 수 있습니다. 이렇게 하려면 다음 단계를 완료합니다.

참고 항목

다음 단계에서는 기존 작업과 동일한 설정을 가진 새 작업을 만듭니다. 그러나 새 작업에는 기존 작업과 다른 작업 ID가 있습니다. 기존 작업 ID를 번들로 자동으로 가져올 수 없습니다.

1단계: YAML 형식으로 기존 작업 정의 가져오기

이 단계에서는 Azure Databricks 작업 영역 사용자 인터페이스를 사용하여 기존 작업 정의의 YAML 표현을 가져옵니다.

Azure Databricks 작업 영역의 사이드바에서 워크플로를 클릭합니다.
작업 탭에서 작업의 이름 링크를 클릭합니다.
지금 실행 단추 옆에 있는 줄임표를 클릭한 다음 YAML 보기를 클릭합니다.
만들기 탭에서 복사를 클릭하여 작업 정의의 YAML을 로컬 클립보드에 복사합니다.

2단계: 번들 구성 파일에 작업 정의 YAML 추가

번들 구성 파일에서 이전 단계에서 복사한 YAML을 다음과 같이 번들 구성 파일에 레이블이 지정된 <job-yaml-can-go-here> 다음 위치 중 하나에 추가합니다.

resources:
  jobs:
    <some-unique-programmatic-identifier-for-this-job>:
      <job-yaml-can-go-here>

targets:
  <some-unique-programmatic-identifier-for-this-target>:
    resources:
      jobs:
        <some-unique-programmatic-identifier-for-this-job>:
          <job-yaml-can-go-here>

3단계: 번들에 Notebook, Python 파일 및 기타 아티팩트 추가

기존 작업에서 참조되는 모든 Python 파일 및 Notebook을 번들의 원본으로 이동해야 합니다.

번들과의 호환성을 높이기 위해 Notebook은 IPython Notebook 형식(.ipynb)을 사용해야 합니다. 번들을 로컬로 개발하는 경우 Azure Databricks Notebook 사용자 인터페이스에서 파일 > 내보내기 IPython Notebook을 클릭하여 Azure Databricks 작업 영역에서 기존 Notebook을 형식으로 .ipynb 내보낼 > 수 있습니다. 규칙에 따라 다운로드한 전자 필 src/ 기장을 번들 디렉터리에 배치해야 합니다.

Notebook, Python 파일 및 기타 아티팩트가 번들에 추가된 후 작업 정의에서 참조하는지 확인합니다. 예를 들어 파일 이름이 hello.ipynbsrc/ 디렉터리에 있고 디렉터리가 디렉터리를 참조 src/ 하는 번들 구성 파일과 src/ 동일한 폴더에 있는 Notebook의 경우 작업 정의가 다음과 같이 표시될 수 있습니다.

resources:
  jobs:
    hello-job:
      name: hello-job
      tasks:
      - task_key: hello-task
        notebook_task:
          notebook_path: ./src/hello.ipynb

4단계: 새 작업의 유효성 검사, 배포 및 실행

다음 명령을 실행하여 번들 구성 파일이 구문적으로 올바른지 확인합니다.
```
databricks bundle validate
```
다음 명령을 실행하여 번들을 배포합니다. 이 명령에서 번들 구성에서 대상에 대한 고유한 프로그래밍 식별자로 바꿉 <target-identifier> 다.
```
databricks bundle deploy -t <target-identifier>
```
다음 명령을 사용하여 작업을 실행합니다.
```
databricks bundle run -t <target-identifier> <job-identifier>
```
- 번들 구성에서 대상에 대한 고유한 프로그래밍 식별자로 바꿉 <target-identifier> 다.
- 번들 구성에서 작업에 대한 고유한 프로그래밍 식별자로 바꿉 <job-identifier> 다.

서버리스 컴퓨팅을 사용하는 작업 구성

Important

워크플로에 대한 서버리스 컴퓨팅은 공개 미리 보기로 제공됩니다. 자격 및 사용 설정에 대한 자세한 내용은 서버리스 컴퓨팅 공개 미리 보기 사용을 참조하세요.

다음 예제에서는 서버리스 컴퓨팅을 사용하는 작업을 만들기 위한 번들 구성을 보여 줍니다.

서버리스 컴퓨팅을 사용하여 Notebook 작업이 포함된 작업을 실행하려면 번들 구성 파일에서 구성을 생략 job_clusters 합니다.

# yaml-language-server: $schema=bundle_config_schema.json
bundle:
  name: baby-names

resources:
  jobs:
    retrieve-filter-baby-names-job-serverless:
      name: retrieve-filter-baby-names-job-serverless
      tasks:
        - task_key: retrieve-baby-names-task
          notebook_task:
            notebook_path: ./retrieve-baby-names.py
        - task_key: filter-baby-names-task
          depends_on:
            - task_key: retrieve-baby-names-task
          notebook_task:
            notebook_path: ./filter-baby-names.py

  targets:
    development:
      workspace:
        host: <workspace-url>

서버리스 컴퓨팅을 사용하여 Python 작업이 포함된 작업을 실행하려면 구성을 environments 포함합니다.

# yaml-language-server: $schema=bundle_config_schema.json
bundle:
  name: serverless-python-tasks

resources:
jobs:
  serverless-python-job:
    name: serverless-job-with-python-tasks

    tasks:
      - task_key: wheel-task-1
        python_wheel_task:
          entry_point: main
          package_name: wheel_package
        environment_key: Default

    environments:
      - environment_key: Default
        spec:
          client: "1"
          dependencies:
            - workflows_authoring_toolkit==0.0.1

targets:
  development:
    workspace:
      host: <workspace-url>

워크플로에 대한 서버리스 컴퓨팅을 사용하여 Azure Databricks 작업 실행을 참조 하세요.

Databricks 자산 번들을 사용하여 Azure Databricks에서 작업 개발

요구 사항

결정: 템플릿을 사용하거나 수동으로 번들 만들기

템플릿을 사용하여 번들 만들기

1단계: 인증 설정

2단계: 번들 만들기

3단계: 번들 탐색

4단계: 프로젝트의 번들 구성 파일 유효성 검사

5단계: 원격 작업 영역에 로컬 프로젝트 배포

6단계: 배포된 프로젝트 실행

7단계: 정리

수동으로 번들 만들기

1단계: 번들 만들기

2단계: 프로젝트에 Notebook 추가

3단계: 프로젝트에 번들 구성 스키마 파일 추가

Visual Studio 코드

Pycharm professsional

Intellij idea ultimate

4단계: 인증 설정

5단계: 프로젝트에 번들 구성 파일 추가

6단계: 프로젝트의 번들 구성 파일 유효성 검사

7단계: 원격 작업 영역에 로컬 프로젝트 배포

8단계: 배포된 프로젝트 실행

9단계: 정리

번들에 기존 작업 정의 추가

1단계: YAML 형식으로 기존 작업 정의 가져오기

2단계: 번들 구성 파일에 작업 정의 YAML 추가

3단계: 번들에 Notebook, Python 파일 및 기타 아티팩트 추가

4단계: 새 작업의 유효성 검사, 배포 및 실행

서버리스 컴퓨팅을 사용하는 작업 구성

피드백

피드백

추가 리소스