【Azure 架构师学习笔记】- Azure Databricks (14) -- 搭建Medallion Architecture part 2

本文属于【Azure 架构师学习笔记】系列。

本文属于【Azure Databricks】系列。

接上文【Azure 架构师学习笔记】- Azure Databricks (13) -- 搭建Medallion Architecture part 1

前言

上文搭建了ADB 与外部的交互部分，本篇搭建ADB 内部配置来满足medallion 架构。

Volumes

相对于直接使用external location，使用Volumes更加具有安全性和可扩展性，因为volume中不包含具体的路径，在编码时只需要指定volume名字，就如变量一样，哪怕external location的路径改变了，只需要修改volume和external location的映射关系即可，不需要修改代码。另外也避免了具体路径的暴露，加强了安全性。

Volumnes分为两类：managed和external。 managed 建立在UC schema创建时所在的托管区域，也就是说不需要指定具体路径。本质上他们就是一个指针，指向UC 管理的存储区域。

external volume 则是一个链接，指向使用storeage credential连接的外部路径（这里为ADLS），但是也由UC 管控。

bash 复制代码

CREATE EXTERNAL VOLUME dev_sales.sources.landing
LOCATION 'abfss://<container>@<storage-account>.dfs.core.windows.net/'

上图为Databricks UC 的层次结构图，可以看到Volume是在最底层，所以创建volume时，需要先创建schema（Catalog在前面已经创建过了）。

如果你有MetaStore admin，就可以创建新的catalog，比如上面命令中的"dev_sales"

Managed Tables
存储成delta table，由Databricks管理。不建议使用Databricks之外的工具操作这些表。同时他们的位置由GUID来定义，所以使用外部工具将很难定位、标识具体的表。
External Tables
基于external location创建的表。

Managed table安全、受UC控制、但限制在UC内部；external table 灵活，支持多种源，但不受UC控制。所以选择时需要权衡。同时这些如果在创建时没有指定具体路径，那么自动继承自所属的schema，而如果schema在创建时也没有指定路径，则schema会继承所属catalog的路径。

来自于Databricks官网的示意图：添加链接描述

Bronze to Silver

下面先准备一个excel，这里把第一列用"-"来连接两个字母，例子比较随意，只是用来演示而已。

把excel转成parquet（非必要）之后，上传到ADLS 的Bronze container中。

使用下面的python代码读取文件，如果提示需要安装某些依赖包，则按需求安装即可。

python 复制代码

from pyspark.sql import SparkSession

# 初始化 Spark 会话（确保集群已附加到 UC）
spark = SparkSession.builder.getOrCreate()

# 通过 abfss 路径读取 Parquet
parquet_path = "abfss://bronze@medallionadls01.dfs.core.windows.net/uc_source.parquet"
df = spark.read.parquet(parquet_path)

# 显示数据
display(df)

结果如下：

数据处理

下面模拟进行数据的处理，把第一列截取"-"前的数据，结果如下图：

python 复制代码

df = df.withColumn('a',F.split(df['a'],'-')[0])
df.display()

使用下面代码把结果保存到Silver container：

python 复制代码

df.write.format('parquet')\
    .mode('append')\
        .option('path','abfss://silver@medallionadls01.dfs.core.windows.net/transformed_data')\
        .save()

保存后可以在ADLS 上查看，但是它并不是按照单个文件存储：

可以在ADB 中使用下面SQL 命令查询保存的文件：

sql 复制代码

SELECT * FROM parquet.`abfss://silver@medallionadls01.dfs.core.windows.net/transformed_data`

关于从Silver到Gold，更多的就是一些业务逻辑的处理上。整个Medallion 架构的流程大致如下：