磚連接
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
Databricks Connect允許您連接您最喜歡的IDE (Eclipse, IntelliJ, PyCharm, RStudio, Visual Studio Code)，筆記本服務器(Jupyter notebook, Zeppelin)，和其他自定義應用程序到Databricks集群。
本文解釋了Databricks Connect的工作原理，引導您完成開始使用Databricks Connect的步驟，解釋了如何排除使用Databricks Connect時可能出現的問題，以及使用Databricks Connect運行與在Databricks筆記本上運行之間的區別。
概述
Databricks Connect是Databricks運行時的客戶端庫。它允許您使用Spark api編寫作業，並在Databricks集群上遠程運行它們，而不是在本地Spark會話中運行。
例如，執行DataFrame命令時spark.read.format(“鋪”).load(…).groupBy(…).agg(…),告訴()使用Databricks Connect，作業的解析和規劃在本地機器上運行。然後，任務的邏輯表示被發送到運行在Databricks中的Spark服務器，以便在集群中執行。
使用Databricks Connect，您可以:
從任何Python、Java、Scala或R應用程序運行大規模Spark作業。任何地方
進口pyspark，進口org.apache.spark,或要求(SparkR)，您現在可以直接從應用程序運行Spark作業，而不需要安裝任何IDE插件或使用Spark提交腳本。即使在使用遠程集群時，也可以在IDE中逐步檢查和調試代碼。
在開發庫時快速迭代。在Databricks Connect中更改Python或Java庫依賴關係後，不需要重新啟動集群，因為每個客戶端會話在集群中是相互隔離的。
在不丟失工作的情況下關閉空閑集群。由於客戶機應用程序與集群分離，因此它不受集群重新啟動或升級的影響，而集群重新啟動或升級通常會導致丟失筆記本中定義的所有變量、rdd和DataFrame對象。
請注意
對於使用SQL查詢的Python開發，Databricks建議您使用Databricks SQL連接器for Python而不是Databricks Connect。Databricks SQL Connector for Python比Databricks Connect更容易設置。此外，Databricks Connect解析和計劃在本地機器上運行的作業，而作業在遠程計算資源上運行。這使得調試運行時錯誤變得特別困難。Databricks SQL Connector for Python直接向遠程計算資源提交SQL查詢並獲取結果。
需求
僅支持以下Databricks Runtime版本:
Databricks Runtime 11.3 LTS ML
Databricks Runtime 10.4 LTS ML
Databricks Runtime 9.1 LTS ML
Databricks Runtime 7.3 LTS ML
客戶端Python安裝的次要版本必須與Databricks集群的次要Python版本相同。下表顯示了每個Databricks Runtime安裝的Python版本。
Databricks運行時版本號
Python版本
11.3 LTS ml, 11.3 LTS
3.9
10.4 LTS ml, 10.4 LTS
3.8
9.1 LTS ml, 9.1 LTS
3.8
7.3 LTS ml
3．7
例如，如果你在本地開發環境中使用Conda，而你的集群運行的是Python 3.7，你必須創建一個該版本的環境，例如:
Conda create——name dbconnectpython＝3.7 conda
Databricks Connect主要和次要包版本必須始終與您的Databricks運行時版本匹配。Databricks建議您始終使用與您的Databricks運行時版本相匹配的Databricks Connect最新包。例如，當使用Databricks Runtime 7.3 LTS集群時，使用
databricks-connect = = 7.3 . *包中。請注意
看到Databricks Connect發布說明參閱可用的Databricks Connect版本和維護更新的列表。
Java Runtime Environment (JRE)客戶端已使用OpenJDK 8 JRE進行測試。客戶端不支持Java 11。
請注意
在Windows上，如果您看到Databricks Connect無法找到的錯誤winutils.exe,請參閱在Windows上找不到winutils.exe．
設置客戶端
請注意
在開始設置Databricks Connect客戶端之前，您必須滿足要求用於Databricks Connect。
步驟1:安裝客戶端
卸載PySpark。這是必需的，因為
databricks-connect包與PySpark衝突。詳細信息請參見衝突的PySpark安裝．PIP卸載pyspark
安裝Databricks Connect客戶端。
pip install -U“databricks-connect = = 7.3 *”。#或x.y *來匹配您的集群版本。
請注意
總是指定
databricks-connect = = X.Y. *而不是databricks-connect = X。Y，以確保安裝了最新的軟件包。
步驟2:配置連接屬性
收集以下配置屬性:
配置連接。可以使用CLI、SQL或環境變量進行配置。配置方法的優先級從高到低依次為:SQL配置鍵、CLI和環境變量。
CLI
運行
databricks-connect．databricks-connect配置
license顯示如下:
版權（2018）磚，公司．這圖書館（的“軟件”）五月不是使用除了在連接與的被許可方根據協議使用Databricks平台服務Beplay体育安卓版本.．.
接受許可證並提供配置值。為磚的主機而且磚的令牌，輸入您在步驟1中注意到的工作區URL和個人訪問令牌。
你是否接受上述協議?[y/N] y設置新的配置值(保留輸入為空接受默認值):databrick Host[無當前值，必須以https://開頭]:
databrick Token[無當前值]: 集群ID(例如，0921-001415-jelly628)[無當前值]:< Cluster - ID >組織ID (Azure-only，見?o=orgId in URL) [0]: < Org - ID >端口[15001]:<端口>
SQL配置或環境變量。下表顯示了與步驟1中注意到的配置屬性對應的SQL配置鍵和環境變量。要設置SQL配置鍵，請使用
sql(“集配置=值”)．例如:sql(“集spark.databricks.service.clusterId = 0304 - 201045 - abcdefgh”)．參數
SQL配置鍵
環境變量名稱
磚的主機
spark.databricks.service.address
DATABRICKS_ADDRESS
磚的令牌
spark.databricks.service.token
DATABRICKS_API_TOKEN
集群ID
spark.databricks.service.clusterId
DATABRICKS_CLUSTER_ID
Org ID
spark.databricks.service.orgId
DATABRICKS_ORG_ID
港口
spark.databricks.service.port
DATABRICKS_PORT
測試到Databricks的連通性。
databricks-connect測驗如果您配置的集群沒有運行，測試將啟動集群，該集群將一直運行到其配置的自動終止時間。輸出應該是這樣的:
* PySpark安裝在/…/3.5.6/lib/python3.5/site-packages/ PySpark *檢查java版本java版本"1.8.0_152" java (TM) SE運行時環境(build 1.8.0_152-b16) java HotSpot(TM) 64位服務器虛擬機(build 25.152-b16，混合模式)*測試scala命令18/12/10 16:38:44警告NativeCodeLoader:無法為您的平台加載本機hadoop庫…Beplay体育安卓版本使用Spark的默認log4j配置文件:org/apache/spark/log4j-defaults。properties設置默認日誌級別為WARN。使用sc.setLogLevel(newLevel)調整日誌級別。對於SparkR，使用setLogLevel(newLevel)。18/12/10 16:38:50 WARN MetricsSystem:使用默認名稱SparkStatusTracker作為源，因為沒有設置spark.metrics.namespace和spark.app.id。18/12/10 16:39:53 WARN SparkServiceRPCClient: Now tracking server state for 5abb7c7e-df8e-4290-947c-c9a38601024e, invalidprev state 18/12/10 16:39:59 WARN SparkServiceRPCClient: Syncing 129 files (176036 bytes) took 3003 ms歡迎訪問____ __/__ /__ ___ _____/ /___ \ \/ _\ /_/ /___/ .__/\_，_/_/ /_/\_版本2.4.0-SNAPSHOT /_/ Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit server VM, Java 1.8.0_152)輸入表達式來計算它們。類型:幫助獲取更多信息。scala > spark.range(100)。reduce(_ + _) Spark context Web UI可用在https://10.8.5.214:4040 Spark context可用為'sc' (master = local[*]， app id = local-1544488730553)。Spark會話可用為“Spark”。 View job details at
/?o=0#/setting/clusters/ /sparkUi View job details at ?o=0#/setting/clusters/ /sparkUi res0: Long = 4950 scala> :quit * Testing python command 18/12/10 16:40:16 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties Setting default log level to "WARN". To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel). 18/12/10 16:40:17 WARN MetricsSystem: Using default name SparkStatusTracker for source because neither spark.metrics.namespace nor spark.app.id is set. 18/12/10 16:40:28 WARN SparkServiceRPCClient: Now tracking server state for 5abb7c7e-df8e-4290-947c-c9a38601024e, invalidating prev state View job details at /?o=0#/setting/clusters/ /sparkUi
設置IDE或筆記本服務器
本節描述如何配置您的首選IDE或筆記本服務器以使用Databricks Connect客戶端。
本節:
Jupyter筆記本
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
Databricks Connect配置腳本自動將包添加到項目配置中。要在Python內核中開始，運行:
從pyspark.sql進口SparkSession火花＝SparkSession．構建器．getOrCreate（）
要啟用%的sql運行和可視化SQL查詢的簡寫，使用下麵的代碼片段:
從IPython.core.magic進口line_magic，line_cell_magic，魔法，magics_class@magics_class類DatabricksConnectMagics（魔法)：@line_cell_magicdefsql（自我，行，細胞＝沒有一個)：如果細胞而且行：提高ValueError（“單元格魔法行必須為空”，行）試一試：從autovizwidget.widget.utils進口display_dataframe除了ImportError：打印（“請運行' pip install autovizwidget '以啟用可視化小部件。”）display_dataframe＝λx：x返回display_dataframe（自我．get_spark（）．sql（細胞orgydF4y2Ba行）．toPandas（))defget_spark（自我)：user_ns＝get_ipython（）．user_ns如果“火花”在user_ns：返回user_ns［“火花”］其他的：從pyspark.sql進口SparkSessionuser_ns［“火花”］＝SparkSession．構建器．getOrCreate（）返回user_ns［“火花”］知識產權＝get_ipython（）知識產權．register_magics（DatabricksConnectMagics）
PyCharm
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
Databricks Connect配置腳本自動將包添加到項目配置中。
Python 3集群
創建PyCharm項目時，選擇現有的翻譯．從下拉菜單中，選擇您創建的Conda環境(參見需求）.
去執行>編輯配置．
添加
PYSPARK_PYTHON = python3作為一個環境變量。
SparkR和RStudio Desktop
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
下載並解包開源Spark到您的本地機器上。選擇與Databricks集群中相同的版本(Hadoop 2.7)。
運行
databricks-connectget-jar-dir．該命令返回類似於/usr/local/lib/python3.5/dist-packages / pyspark / jar．複製的文件路徑上麵一個目錄JAR目錄文件路徑，例如:/usr/local/lib/python3.5/dist-packages / pyspark，即SPARK_HOME目錄中。配置Spark lib路徑和Spark home路徑，將它們添加到R腳本的頂部。集
< spark-lib-path >到步驟1中解壓縮開源Spark包的目錄。集< spark-home-path >從步驟2到Databricks Connect目錄。#指向OSS包的路徑，例如/path/to/…/spark-2.4.0-bin-hadoop2.7圖書館（SparkR，lib.loc＝.libPaths（c（file.path（' < spark-lib-path >”，“R”，“自由”)，.libPaths（））））#指向Databricks Connect PySpark安裝，例如:/path/to/…/ PySparkSys.setenv（SPARK_HOME＝“< spark-home-path >”）
啟動Spark會話並開始執行SparkR命令。
sparkR.session（）df<-作為。DataFrame（忠實的）頭（df）df1<-有斑紋的（df，函數（x）｛x}，模式（df）)收集（df1）
sparklyr和RStudio Desktop
預覽
此功能已在公共預覽．
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
您可以複製使用Databricks Connect在本地開發的依賴於sparklyr的代碼，並在Databricks筆記本電腦或Databricks工作區中的托管RStudio服務器中運行，隻需進行很少或不進行代碼更改。
需求
Sparklyr 1.2或以上版本。
Databricks Runtime 7.3或以上版本，並搭配Databricks Connect。
安裝、配置和使用sparklyr
在RStudio Desktop中，從CRAN安裝sparklyr 1.2或以上版本，或從GitHub安裝最新的主版本。
#從CRAN安裝install.packages（“sparklyr”）#或從GitHub安裝最新的主版本install.packages（“devtools”）devtools：：install_github（“sparklyr / sparklyr”）
激活安裝了Databricks Connect的Python環境，並在終端中運行以下命令以獲取
< spark-home-path >：databricks-connect get-spark-home
啟動Spark會話，執行sparklyr命令。
圖書館（sparklyr）sc<-spark_connect（方法＝“磚”，spark_home＝“< spark-home-path >”）iris_tbl<-copy_to（sc，虹膜，覆蓋＝真正的）圖書館（dplyr）src_tbls（sc）iris_tbl% > %數
關閉連接。
spark_disconnect（sc）
IntelliJ (Scala或Java)
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
運行
databricks-connectget-jar-dir．將依賴項指向命令返回的目錄。去>項目結構>模塊>依賴>“+”符號> jar或目錄．
為了避免衝突，我們強烈建議從您的類路徑中刪除任何其他Spark安裝。如果這是不可能的，請確保您添加的jar位於類路徑的前麵。特別是，它們必須在任何其他已安裝的Spark版本之前(否則您將使用其中一個其他Spark版本並在本地運行或拋出一個錯誤
ClassDefNotFoundError）.檢查IntelliJ中中斷選項的設置。默認為所有並且如果為調試設置斷點，將導致網絡超時。設置為線程避免停止後台網絡線程。
Eclipse
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
運行
databricks-connectget-jar-dir．將外部jar配置指向命令返回的目錄。去項目菜單>屬性> Java構建路徑>庫>添加外部jar．
為了避免衝突，我們強烈建議從您的類路徑中刪除任何其他Spark安裝。如果這是不可能的，請確保您添加的jar位於類路徑的前麵。特別是，它們必須在任何其他已安裝的Spark版本之前(否則您將使用其中一個其他Spark版本並在本地運行或拋出一個錯誤
ClassDefNotFoundError）.
Visual Studio代碼
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
驗證Python擴展安裝。
打開命令麵板(命令+ Shift + P在macOS和Ctrl + Shift + P在Windows / Linux)。
選擇一個Python解釋器。去Code > Preferences > Settings，並選擇python的設置．
運行
databricks-connectget-jar-dir．將命令返回的目錄添加到User Settings JSON下
python.venvPath．這應該被添加到Python配置中。關閉門栓。單擊.．.在右邊和編輯json設置．修改後的設置如下:
如果在虛擬環境中運行，這是在VS Code中為Python開發的推薦方式，在命令麵板類型中運行
選擇python翻譯並指出你的環境匹配你的集群Python版本。
例如，如果您的集群是Python 3.5，那麼您的本地環境應該是Python 3.5。
SBT
請注意
Databricks建議您使用其中任何一種dbx或者是Visual Studio Code的Databricks擴展用於本地開發而不是Databricks Connect。
在開始使用Databricks Connect之前，您必須滿足要求而且設置客戶端用於Databricks Connect。
要使用SBT，必須配置您的build.sbt文件鏈接到Databricks Connect jar，而不是通常的Spark庫依賴。你用unmanagedBase指令在下麵的示例構建文件中，它假設Scala應用程序有一個com.example.Test主要對象:
從IDE運行示例
進口java.util.ArrayList；進口並不知道；進口java.sql.Date；進口org.apache.spark.sql.SparkSession；進口org.apache.spark.sql.types。*；進口org.apache.spark.sql.Row；進口org.apache.spark.sql.RowFactory；進口org.apache.spark.sql.Dataset；公共類應用程序｛公共靜態無效主要（字符串［］arg遊戲）拋出異常｛SparkSession火花＝SparkSession．構建器（）．瀏覽器名稱（“臨時工演示”）．配置（“spark.master”，“本地”）．getOrCreate（）；//創建一個由高溫和低溫組成的Spark DataFrame//通過機場代碼和日期。StructType模式＝新StructType（新StructField［］｛新StructField（“AirportCode”，數據類型．StringType，假，元數據．空()),新StructField（“日期”，數據類型．DateType，假，元數據．空()),新StructField（“TempHighF”，數據類型．IntegerType，假，元數據．空()),新StructField（“TempLowF”，數據類型．IntegerType，假，元數據．空()),})；列表<行>dataList＝新ArrayList<行>（）；dataList．添加（RowFactory．創建（“BLI”，日期．返回對象的值（“2021-04-03”)，52，43));dataList．添加（RowFactory．創建（“BLI”，日期．返回對象的值（“2021-04-02”)，50，38));dataList．添加（RowFactory．創建（“BLI”，日期．返回對象的值（“2021-04-01”)，52，41));dataList．添加（RowFactory．創建（“PDX”，日期．返回對象的值（“2021-04-03”)，64，45));dataList．添加（RowFactory．創建（“PDX”，日期．返回對象的值（“2021-04-02”)，61，41));dataList．添加（RowFactory．創建（“PDX”，日期．返回對象的值（“2021-04-01”)，66，39));dataList．添加（RowFactory．創建（“海”，日期．返回對象的值（“2021-04-03”)，57，43));dataList．添加（RowFactory．創建（“海”，日期．返回對象的值（“2021-04-02”)，54，39));dataList．添加（RowFactory．創建（“海”，日期．返回對象的值（“2021-04-01”)，56，41));數據集<行>臨時工＝火花．createDataFrame（dataList，模式）;//在Databricks集群上創建一個表，然後填充//包含DataFrame內容的表//如果表在之前運行時已經存在，//先刪除它。火花．sql（“使用默認”）;火花．sql（DROP TABLE IF EXISTS demo_temps_table）;臨時工．寫()。saveAsTable（“demo_temps_table”）;//查詢Databricks集群上的表，返回行//如果機場代碼不是BLI，日期是晚些//比2021-04-01。將結果分組，按高排序//溫度由高到低。數據集<行>df_temps＝火花．sql（SELECT * FROM demo_temps_table+“WHERE AirportCode != 'BLI' AND Date > '2021-04-01'”+GROUP BY AirportCode, Date, TempHighF, TempLowF+“TempHighF DESC訂單”）;df_temps．顯示（）；/ /結果://// +-----------+----------+---------+--------+// |AirportCode| Date|TempHighF|TempLowF| .使用實例// +-----------+----------+---------+--------+// | pdx |2021-04-03| 64| 45| .使用實例// | pdx |2021-04-02| 61| 41| .使用實例// | sea |2021-04-03| 57| 43|// | sea |2021-04-02| 54| 39|// +-----------+----------+---------+--------+//刪除Databricks集群中的表火花．sql（DROP TABLE demo_temps_table）;｝｝
從pyspark.sql進口SparkSession從pyspark.sql.types進口＊從datetime進口日期火花＝SparkSession．構建器．瀏覽器名稱（“temps-demo”）．getOrCreate（）#創建一個由高溫和低溫組成的Spark數據幀#按機場代碼和日期。模式＝StructType([StructField（“AirportCode”，StringType（），假)，StructField（“日期”，DateType（），假)，StructField（“TempHighF”，IntegerType（），假)，StructField（“TempLowF”，IntegerType（），假）])數據＝［［“BLI”，日期（2021，4，3.)，52，43),［“BLI”，日期（2021，4，2)，50，38),［“BLI”，日期（2021，4，1)，52，41),［“PDX”，日期（2021，4，3.)，64，45),［“PDX”，日期（2021，4，2)，61，41),［“PDX”，日期（2021，4，1)，66，39),［“海”，日期（2021，4，3.)，57，43),［“海”，日期（2021，4，2)，54，39),［“海”，日期（2021，4，1)，56，41］］臨時工＝火花．createDataFrame（數據，模式）在Databricks集群上創建一個表，然後填充# DataFrame的內容。#如果表在之前的運行中已經存在，#先刪除它。火花．sql（使用默認的）火花．sql（刪除表如果存在demo_temps_table）臨時工．寫．saveAsTable（“demo_temps_table”）#查詢Databricks集群的表，返回行#，其中機場代碼不是BLI，日期是稍後#比2021-04-01。將結果分組，按高排序#溫度由高到低。df_temps＝火花．sql（SELECT * FROM demo_temps_table＼“WHERE AirportCode != 'BLI' AND Date > '2021-04-01'”＼GROUP BY AirportCode, Date, TempHighF, TempLowF＼“TempHighF DESC訂單”）df_temps．顯示（）#結果:＃# +-----------+----------+---------+--------+# |AirportCode| Date|TempHighF|TempLowF|# +-----------+----------+---------+--------+# | pdx |2021-04-03| 64| 45|# | pdx |2021-04-02| 61| 41|# |海|2021-04-03| 57| 43|# |海|2021-04-02| 54| 39|# +-----------+----------+---------+--------+刪除Databricks集群中的表火花．sql（DROP TABLE demo_temps_table）
進口org．apache．火花．sql．SparkSession進口org．apache．火花．sql．類型．＿進口org．apache．火花．sql．行進口java．sql．日期對象演示｛def主要（arg遊戲：數組［字符串])｛瓦爾火花＝SparkSession．構建器．主（“本地”）.getOrCreate（）//創建一個由高溫和低溫組成的Spark DataFrame//通過機場代碼和日期。瓦爾模式＝StructType（數組（StructField（“AirportCode”，StringType，假)，StructField（“日期”，DateType，假)，StructField（“TempHighF”，IntegerType，假)，StructField（“TempLowF”，IntegerType，假））)瓦爾數據＝列表（行（“BLI”，日期．返回對象的值（“2021-04-03”)，52，43)，行（“BLI”，日期．返回對象的值（“2021-04-02”)，50，38)，行（“BLI”，日期．返回對象的值（“2021-04-01”)，52，41)，行（“PDX”，日期．返回對象的值（“2021-04-03”)，64，45)，行（“PDX”，日期．返回對象的值（“2021-04-02”)，61，41)，行（“PDX”，日期．返回對象的值（“2021-04-01”)，66，39)，行（“海”，日期．返回對象的值（“2021-04-03”)，57，43)，行（“海”，日期．返回對象的值（“2021-04-02”)，54，39)，行（“海”，日期．返回對象的值（“2021-04-01”)，56，41））瓦爾抽樣＝火花．sparkContext．makeRDD（數據）瓦爾臨時工＝火花．createDataFrame（抽樣，模式）//在Databricks集群上創建一個表，然後填充//包含DataFrame內容的表//如果表在之前運行時已經存在，//先刪除它。火花．sql（“使用默認”）火花．sql（DROP TABLE IF EXISTS demo_temps_table）臨時工．寫．saveAsTable（“demo_temps_table”）//查詢Databricks集群上的表，返回行//如果機場代碼不是BLI，日期是晚些//比2021-04-01。將結果分組，按高排序//溫度由高到低。瓦爾df_temps＝火花．sql（SELECT * FROM demo_temps_table+“WHERE AirportCode != 'BLI' AND Date > '2021-04-01'”+GROUP BY AirportCode, Date, TempHighF, TempLowF+“TempHighF DESC訂單”）df_temps．顯示（）/ /結果://// +-----------+----------+---------+--------+// |AirportCode| Date|TempHighF|TempLowF| .使用實例// +-----------+----------+---------+--------+// | pdx |2021-04-03| 64| 45| .使用實例// | pdx |2021-04-02| 61| 41| .使用實例// | sea |2021-04-03| 57| 43|// | sea |2021-04-02| 54| 39|// +-----------+----------+---------+--------+//刪除Databricks集群中的表火花．sql（DROP TABLE demo_temps_table）｝｝
使用依賴項
通常，主類或Python文件會有其他依賴jar和文件。您可以通過調用來添加此類依賴jar和文件sparkContext.addJar(“path-to-the-jar”)orgydF4y2BasparkContext.addPyFile(文件路徑)．，還可以添加Egg文件和zip文件addPyFile ()接口。每次在IDE中運行代碼時，依賴jar和文件都會安裝在集群上。
從自由進口噴火從pyspark.sql進口SparkSession火花＝SparkSession．構建器．getOrCreate（）sc＝火花．sparkContext# sc.setLogLevel(“信息”)打印（“測試簡單計數”）打印（火花．範圍（One hundred.）．數（))打印（"測試addPyFile隔離"）sc．addPyFile（“lib.py”）打印（sc．並行化（範圍（10）)．地圖（λ我：噴火（2）)．收集（))類噴火（對象)：def__init__（自我，x)：自我．x＝x
Python + Java udf
從pyspark.sql進口SparkSession從pyspark.sql.column進口_to_java_column，_to_seq，列在這個例子中，udf.jar包含了編譯好的Java / Scala udf:#包com.example＃#進口org.apache.spark.sql._#進口org.apache.spark.sql.expressions._#進口org.apache.spark.sql.functions.udf＃#對象測試{# val: UserDefinedFunction = udf((i: Long) => i + 1)#}火花＝SparkSession．構建器＼．配置（“spark.jars”，“/道路/ / udf.jar”）＼．getOrCreate（）sc＝火花．sparkContextdefplus_one_udf（上校)：f＝sc．_jvm．com．例子．測試．plusOne（）返回列（f．應用（_to_seq（sc，［上校),_to_java_column)))sc．_jsc．addJar（“/道路/ / udf.jar”）火花．範圍（One hundred.）．withColumn（“plusOne”，plus_one_udf（“id”）)．顯示（）
包com．例子進口org．apache．火花．sql．SparkSession情況下類噴火（x：字符串）對象測試｛def主要（arg遊戲：數組［字符串]）：單位＝｛瓦爾火花＝SparkSession．構建器（）.．.．getOrCreate（）；火花．sparkContext．setLogLevel（“信息”）println（“正在運行簡單的show查詢…”）火花．讀．格式（“鋪”）.負載（“/ tmp / x”）.顯示（）println（“運行簡單的UDF查詢…”）火花．sparkContext．addJar（”。/目標/ scala - 2.11 / hello-world_2.11-1.0.jar”）火花．udf．注冊（“f”，（x：Int）= >x+1）火花．範圍（10）.selectExpr（“f (id)”）.顯示（）println（"運行自定義對象查詢…"）瓦爾obj＝火花．sparkContext．並行化（Seq（噴火（“再見”)，噴火（“嗨”)))。收集（）println（obj．toSeq）｝｝
訪問DBUtils
你可以使用dbutils.fs而且dbutils.secrets公用事業磚公用事業模塊。支持的命令包括dbutils.fs.cp，dbutils.fs.head，dbutils.fs.ls，dbutils.fs.mkdirs，dbutils.fs.mv，dbutils.fs.put，dbutils.fs.rm，dbutils.secrets.get，dbutils.secrets.getBytes，dbutils.secrets.list，dbutils.secrets.listScopes．看到文件係統實用程序(dbutls .fs)或運行dbutils.fs.help ()而且秘密實用程序(dbutils.secrets)或運行dbutils.secrets.help ()．
從pyspark.sql進口SparkSession從pyspark.dbutils進口DBUtils火花＝SparkSession．構建器．getOrCreate（）dbutils＝DBUtils（火花）打印（dbutils．fs．ls（“dbfs: /）)打印（dbutils．秘密．listScopes（))
當使用Databricks Runtime 7.3 LTS或以上版本時，要以本地和Databricks集群中都可以工作的方式訪問DBUtils模塊，請使用以下方法get_dbutils ()：
defget_dbutils（火花)：從pyspark.dbutils進口DBUtils返回DBUtils（火花）
否則，請使用以下方法get_dbutils ()：
defget_dbutils（火花)：如果火花．相依．得到（“spark.databricks.service.client.enabled”）= =“真正的”：從pyspark.dbutils進口DBUtils返回DBUtils（火花）其他的：進口IPython返回IPython．get_ipython（）．user_ns［“dbutils”］
瓦爾dbutils＝com．磚．服務．DBUtilsprintln（dbutils．fs．ls（“dbfs: /）)println（dbutils．秘密．listScopes（))
訪問Hadoop文件係統
您也可以直接使用標準Hadoop文件係統接口訪問DBFS:
>進口org．apache．hadoop．fs．＿//獲取新的DBFS連接>瓦爾dbfs＝文件係統．得到（火花．sparkContext．hadoopConfiguration）dbfs：org．apache．hadoop．fs．文件係統＝com．磚．後端．守護進程．數據．客戶端．DBFS@二維036335//列出文件>dbfs．listStatus（新路徑（“dbfs: /）)res1：數組［org．apache．hadoop．fs．FileStatus］＝數組（FileStatus｛路徑＝dbfs：/＄；isDirectory＝真正的；…})//打開文件>瓦爾流＝dbfs．開放（新路徑（“dbfs: /道路/ / your_file”）)流：org．apache．hadoop．fs．FSDataInputStream＝org．apache．hadoop．fs．FSDataInputStream@7aa4ef24//獲取文件內容為字符串>進口org．apache．下議院．io．＿>println（新字符串（IOUtils．toByteArray（流)))
設置Hadoop配置
方法在客戶端上設置Hadoop配置spark.conf.setAPI，應用於SQL和DataFrame操作。的Hadoop配置sparkContext必須在集群配置或使用筆記本設置。這是因為設置了配置sparkContext不綁定到用戶會話，而是應用於整個集群。
故障排除
運行databricks-connect測驗檢查連接問題。本節介紹可能遇到的一些常見問題以及解決方法。
Python版本不匹配
檢查您在本地使用的Python版本至少與集群上的版本具有相同的次要版本(例如，3.5.1與3.5.2是好的,3．5與3.6不是)。
如果本地安裝了多個Python版本，請通過設置Databricks Connect的PYSPARK_PYTHON環境變量(例如，PYSPARK_PYTHON = python3）.
服務器未啟用
確保集群中已啟用Spark服務器spark.databricks.service.server.enabled真正的．如果是，你應該在驅動日誌中看到以下幾行:
18/10/25 21:39:18 INFO SparkConfUtils$: Set spark config: spark. databicks .service.server.enabled -> true…18/10/25 21:39:21 INFO SparkContext: Loading SparkServiceRPCServer 18/10/25 21:39:21 INFO SparkServiceRPCServer: Starting SparkServiceRPCServer 18/10/25 21:39:21 INFO Server: jetty-9.3.20。v20170531 18/10/25 21:39:21 INFO AbstractConnector: Started ServerConnector@6a6c7f42 {HTTP/1.1，[HTTP/1.1]}{0.0.0.0:15001} 18/10/25 21:39:21 INFO Server: Started @5879ms
衝突的PySpark安裝
的databricks-connect包與PySpark衝突。在Python中初始化Spark上下文時會導致錯誤。這可以通過幾種方式表現出來，包括“流損壞”或“類未找到”錯誤。如果在Python環境中安裝了PySpark，請確保在安裝databicks -connect之前已將其卸載。卸載PySpark後，請確保完全重新安裝Databricks Connect包:
pip uninstall pyspark pip uninstall databicks -connect pip install -U“databricks-connect = = 9.1 *”。#或x.y *來匹配您的集群版本。
相互衝突的SPARK_HOME
如果您以前在計算機上使用過Spark，則您的IDE可能已配置為使用其他版本的Spark之一，而不是Databricks Connect Spark。這可以通過幾種方式表現出來，包括“流損壞”或“類未找到”錯誤。屬性的值可以查看正在使用哪個版本的SparkSPARK_HOME環境變量:
係統．出．println（係統．采用（“SPARK_HOME”));
進口操作係統打印（操作係統．環境［“SPARK_HOME”])
println（sys．env．得到（“SPARK_HOME”）)
衝突或缺失路徑二進製條目
有可能您的PATH已配置，以便命令像spark-shell將運行之前安裝的其他二進製文件，而不是Databricks Connect提供的二進製文件。這會導致databricks-connect測驗失敗。您應該確保Databricks Connect二進製文件優先，或者刪除之前安裝的二進製文件。
如果你不能運行命令spark-shell，也有可能您的PATH沒有被自動設置皮普安裝您需要添加安裝箱子手動到您的PATH。即使沒有設置，也可以使用Databricks Connect與ide連接。然而,databricks-connect測驗命令是行不通的。
集群上的序列化設置衝突
如果您在運行時看到“流損壞”錯誤databricks-connect測驗，這可能是由於不兼容的集群序列化配置。例如，設置spark.io.compression.codec配置可能會導致此問題。要解決此問題，請考慮從集群設置中刪除這些配置，或在Databricks Connect客戶端中設置配置。
找不到winutils.exe在Windows上
如果您在Windows上使用Databricks Connect，請參閱:
錯誤殼牌：失敗的來定位的winutils二進製在的hadoop二進製路徑java．io．IOException：可以不定位可執行的零＼箱子＼winutils．exe在的Hadoop二進製文件．
按照說明操作Windows下配置Hadoop路徑．
限製
Databricks Connect不支持以下Databricks特性和第三方平台:Beplay体育安卓版本
統一目錄．
結構化的流。
在遠程集群上運行不屬於Spark作業的任意代碼。
原生Scala, Python和R api用於Delta表操作(例如，
DeltaTable.forPath)不受支持。然而，SQL API (spark.sql(…)Delta Lake操作和Spark API(例如，spark.read.load)都支持。進入副本。
使用SQL函數，Python或Scala udf，這些都是服務器目錄的一部分。但是，本地引入的Scala和Python udf可以工作。
Apache飛艇0.7.x而且是low.
連接到集群表訪問控製．
連接到啟用了進程隔離的集群(換句話說，其中
spark.databricks.pyspark.enableProcessIsolation設置為真正的）.δ
克隆SQL命令。全局臨時視圖。
考拉．
創建表格表格作為選擇.．.SQL命令並不總是有效。相反,使用spark.sql(“選擇……”).write.saveAsTable(“表”)．