Transformacje danych w Databricks

Koncepcje Databricks

Kevin Barlow

Data Practitioner

SQL w inżynierii danych

SQL

Znany administratorom baz danych (DBA)
Doskonały do standardowych operacji
Wykonywanie predefiniowanych UDF

-- Creating a new table in SQL

CREATE TABLE table_name
USING delta
AS (
  SELECT *
  FROM source_table
  WHERE date >= '2023-01-01'
)

Inne języki w inżynierii danych

Python, R, Scala

Znane inżynierom oprogramowania
Standardowe i złożone transformacje
Używanie i definiowanie własnych funkcji

#Creating a new table in Pyspark

spark
  .read
  .table('source_table')
  .filter(col('date') >= '2023-01-01')
  .write
  .saveAsTable('table_name')

Typowe transformacje

Manipulacja schematem

Dodawanie i usuwanie kolumn
Redefiniowanie kolumn

#Pyspark

df
  .withColumn(col('newCol'), ...)
  .drop(col('oldCol'))

Filtrowanie

Zawężanie DataFrame do podzbioru danych
Przekazywanie wielu kryteriów

#Pyspark

df
  .filter(col('date') >= target_date)
  .filter(col('id') IS NOT NULL)

Typowe transformacje (ciąg dalszy)

Dane zagnieżdżone

Tablice lub dane Struct
Rozwijanie lub zwijanie

df
  .explode(col('arrayCol')) #wide to long
  .flatten(col('items')) #long to wide

Agregacja

Grupowanie danych według kolumn
Obliczanie podsumowań danych

df
  .groupBy(col('region'))
  .agg(sum(col('sales')))

Auto Loader

Auto Loader przetwarza nowe pliki po ich pojawieniu się w data lake.

Przetwarzanie przyrostowe
Wydajne przetwarzanie
Automatyczne

spark.readStream
  .format("cloudFiles")
  .option("cloudFiles.format", "json")
  .load(file_path)

Diagram Auto Loadera

¹ https://www.databricks.com/blog/2020/02/24/introducing-databricks-ingest-easy-data-ingestion-into-delta-lake.html

Structured Streaming

Pipeline strumieniowy

spark.readStream
    .format("kafka")
    .option("subscribe", "<topic>")
    .load()
    .join(table_df, 
      on="<id>", how="left")
    .writeStream
    .format("kafka")
    .option("topic", "<topic>")
    .start()

Czas na ćwiczenia!

Koncepcje Databricks