Перетворення даних у Databricks

Концепції Databricks

Kevin Barlow

Data Practitioner

SQL для інженерії даних

SQL

Знайомий для адміністраторів баз даних (DBA)
Підходить для стандартних маніпуляцій
Виконує заздалегідь визначені UDF

-- Creating a new table in SQL

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

Інші мови для інженерії даних

Python, R, Scala

Знайомі для розробників ПЗ
Стандартні та складні перетворення
Використовуйте й визначайте власні функції

#Creating a new table in Pyspark

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

Поширені перетворення

Керування схемою

Додавати й вилучати стовпці
Перевизначати стовпці

#Pyspark

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

Фільтрування

Зменшіть DataFrame до підмножини даних
Передайте кілька критеріїв

#Pyspark

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

Поширені перетворення (продовження)

Вкладені дані

Масиви або Struct-дані
Розгортання або згортання

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

Агрегування

Групуйте дані за стовпцями
Обчислюйте підсумки

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

Auto Loader

Auto Loader обробляє нові файли даних одразу після їх появи в data lake.

Інкрементна обробка
Ефективність
Автоматично

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

Схема Auto Loader

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

Structured Streaming

Потоковий конвеєр

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

Давайте потренуємось!

Концепції Databricks