Integrer OneLake med Azure Databricks

Denne artikel viser, hvordan man får adgang til OneLake-data fra Azure Databricks. Begge tilgange bruger service principal-autentificering og OneLake ABFS-endpointet. Vælg den sektion, der matcher din Databricks-beregningstype:

• Standard eller jobklynge: Brug Spark ABFS-driveren med OAuth-konfiguration til at læse og skrive data direkte gennem Spark DataFrames.
• Serverløs compute: Serverløse runtime-systemer tillader ikke, at du sætter brugerdefinerede Spark-konfigurationsegenskaber. Brug i stedet Microsoft Authentication Library (MSAL) og biblioteket Python deltalake til at autentificere og læse eller skrive Delta-tabeller.

For relaterede Databricks-integrationsscenarier, se følgende ressourcer:

Forudsætninger

Før du forbinder, skal du sikre dig, at du har:

• Et stofarbejdsområde og søhus.
• Et Premium Azure Databricks-arbejdsområde.
• En serviceprincipal med mindst tildelingen af bidragyder-arbejdsområdet .
• Databricks hemmeligheder eller Azure Key Vault (AKV) til at gemme og hente hemmeligheder. Eksemplerne i denne artikel bruger Databricks hemmeligheder.

Forbind til OneLake med en standardklynge

Brug det korrekte OneLake ABFS-stiformat

Brug et af følgende URI-formater:

• abfss://<workspace_id_or_name>@onelake.dfs.fabric.microsoft.com/<lakehouse_id_or_name>.lakehouse/Files/<path>
• abfss://<workspace_id_or_name>@onelake.dfs.fabric.microsoft.com/<lakehouse_id_or_name>.lakehouse/Tables/<path>

Du kan bruge ID'er eller navne. Hvis du bruger navne, så undgå specialtegn og mellemrum i arbejdsområde- og søhusnavne.

Brug service principal-autentificering

Brug denne mulighed til automatiserede jobs og centraliseret hemmelig rotation.

workspace_name = "<workspace_name>"
lakehouse_name = "<lakehouse_name>"
tenant_id = dbutils.secrets.get(scope="<scope-name>", key="<tenant-id-key>")
service_principal_id = dbutils.secrets.get(scope="<scope-name>", key="<client-id-key>")
service_principal_secret = dbutils.secrets.get(scope="<scope-name>", key="<client-secret-key>")

spark.conf.set("fs.azure.account.auth.type", "OAuth")
spark.conf.set(
   "fs.azure.account.oauth.provider.type",
   "org.apache.hadoop.fs.azurebfs.oauth2.ClientCredsTokenProvider",
)
spark.conf.set("fs.azure.account.oauth2.client.id", service_principal_id)
spark.conf.set("fs.azure.account.oauth2.client.secret", service_principal_secret)
spark.conf.set(
   "fs.azure.account.oauth2.client.endpoint",
   f"https://login.microsoftonline.com/{tenant_id}/oauth2/token",
)

# Read
df = spark.read.format("parquet").load(
   f"abfss://{workspace_name}@onelake.dfs.fabric.microsoft.com/{lakehouse_name}.lakehouse/Files/data"
)
df.show(10)

# Write
df.write.format("delta").mode("overwrite").save(
   f"abfss://{workspace_name}@onelake.dfs.fabric.microsoft.com/{lakehouse_name}.lakehouse/Tables/dbx_delta_spn"
)

Forbind til OneLake med serverløs compute

Databricks serverløse compute lader dig køre arbejdsbelastninger uden at provisionere en klynge, men den tillader kun et delmængde af understøttede Spark-egenskaber. Du kan ikke sætte Spark-konfigurationen, der fs.azure.* bruges på standardklynger.

Hvis du forsøger at sætte en ikke-understøttet Spark-konfiguration i en serverløs notebook, returnerer systemet en CONFIG_NOT_AVAILABLE fejl.

Brug i stedet MSAL til at erhverve en OAuth-token og biblioteket Python deltalake til at læse eller skrive Delta-tabeller med det token.

Opsæt en serverløs notebook

1. Opret en notesbog i dit Databricks-arbejdsområde og tilknyt den til serverløs compute.

   

2. Importer Python-moduler. I dette eksempel bruges to moduler:

   • msal autentificerer med Microsoft-identitetsplatform.
   • deltalake læser og skriver Delta Lake-tabeller med Python.

   from msal import ConfidentialClientApplication
   from deltalake import DeltaTable, write_deltalake
   

3. Erklære variabler for Microsoft Entra-lejer, herunder program-id. Brug lejer-id'et for den lejer, hvor Microsoft Fabric er installeret.

   # Fetch from Databricks secrets.
   tenant_id = dbutils.secrets.get(scope="<replace-scope-name>",key="<replace value with key value for tenant_id>")
   client_id = dbutils.secrets.get(scope="<replace-scope-name>",key="<replace value with key value for client_id>")
   client_secret = dbutils.secrets.get(scope="<replace-scope-name>",key="<replace value with key value for secret>")
   

4. Deklarer variabler for arbejdsområde i struktur.

   workspace_id = "<replace with workspace name>"
   lakehouse_id = "<replace with lakehouse name>"
   table_to_read = "<name of lakehouse table to read>"
   onelake_uri = f"abfss://{workspace_id}@onelake.dfs.fabric.microsoft.com/{lakehouse_id}.lakehouse/Tables/{table_to_read}"
   

5. Initialiser klienten for at erhverve token.

   authority = f"https://login.microsoftonline.com/{tenant_id}"
   
   app = ConfidentialClientApplication(
       client_id,
       authority=authority,
       client_credential=client_secret
   )
   
   result = app.acquire_token_for_client(scopes=["https://onelake.fabric.microsoft.com/.default"])
   
   if "access_token" in result:
       print("Access token acquired.")
       token_val = result['access_token']
   else:
       raise Exception(f"Failed to acquire token: {result.get('error_description', result)}")
   

6. Læs en Delta-tabel fra OneLake.

   dt = DeltaTable(onelake_uri, storage_options={"bearer_token": f"{token_val}", "use_fabric_endpoint": "true"})
   df = dt.to_pandas()
   print(df.head())
   

7. Skriv en Delta-tabel til OneLake.

   target_uri = f"abfss://{workspace_id}@onelake.dfs.fabric.microsoft.com/{lakehouse_id}.lakehouse/Tables/<target_table_name>"
   write_deltalake(
       target_uri,
       df,
       mode="overwrite",
       storage_options={"bearer_token": f"{token_val}", "use_fabric_endpoint": "true"}
   )
   

Designovervejelser

• Brug ét writer-mønster pr. tabelsti, hvor det er muligt. At skrive til de samme lagerstier fra flere beregningsmotorer eller runtime-versioner kan forårsage konflikter.
• Brug secrets management til service principal-legitimationer.
• Brug OneLake-genveje , når du har brug for virtualiseret adgang, i stedet for fysisk at skrive data ind i en anden lakehouse-lokation.

Relateret indhold

• Brug OneLake med Azure Databricks
• Montering af cloud-objektlagring på Azure Databricks