Uvnitř balíčku assetů

Introduction to Databricks Lakehouse

Gang Wang

Senior Data Scientist

Struktura projektu balíčku

my_project/
|-- databricks.yml
|-- src/
|   |-- etl_pipeline.py
|   |-- data_quality.py
|-- resources/
|   |-- jobs/
|   |   |-- nightly_etl.yml
|   |-- pipelines/
|       |-- sales_pipeline.yml
|-- tests/
    |-- test_etl.py

databricks.yml - hlavní konfigurační soubor
src/ - tvoje notebooky a kód
resources/ - definice jobů a pipeline
tests/ - volitelné testovací soubory

Soubor databricks.yml

bundle:
  name: sales_analytics

workspace:
  host: https://myworkspace.databricks.com

targets:
  dev:
    default: true
    workspace:
      root_path: /Users/me/dev
  production:
    workspace:
      root_path: /Shared/production
    permissions:
      - level: CAN_MANAGE
        group_name: data_engineers

Definice resources

vrstvy: databricks.yml (nahoře), Resources – Jobs – Pipelines – Dashboards, Code – Notebooks – Python skripty, Targets – dev – staging – production

resources:
  jobs:
    nightly_etl:
      name: "Nightly ETL Pipeline"
      schedule:
        quartz_cron: "0 0 2 * * ?"
      tasks:
        - task_key: ingest
          notebook_task:
            notebook_path: src/etl.py

Příkazy CLI pro balíčky

Příkaz	Účel
`bundle validate`	Zkontroluje konfiguraci
`bundle deploy`	Nasadí do cílového prostředí
`bundle run`	Spustí nasazený job
`bundle destroy`	Odstraní nasazené resources

# Validate before deploying
databricks bundle validate

# Deploy to production
databricks bundle deploy \
  --target production

# Trigger a run
databricks bundle run nightly_etl

Deployment workflow

vývojový diagram: Deployment workflow

Lokální vývoj - úprava kódu a validace konfigurace
Správa verzí - commit změn do Gitu
CI/CD automatizace - nasazení do stagingu a spuštění testů
Produkční nasazení - deploy s jistotou

Shrnutí

databricks.yml definuje projekt, cílová prostředí a resources
Resources zahrnují joby, pipeline a dashboardy
Targets odpovídají prostředím (dev, staging, production)
Příkazy CLI: validate, deploy, run, destroy

Pojďme cvičit!

Introduction to Databricks Lakehouse