#2 Azure Databricks を使ってみよう 【抽出変換編】

【 Azure Databricks ETL編 その２ 】

概要

Azure Databricks を使ってみよう！　ということで、以下の３ステップで簡単に說明します。

1. 【環境準備編】：Azure CLI から Azure Databricks 環境を作成します
2. 【抽出変換編】：Databricks から ADLS Gen2 のデータを抽出し、変換します
3. 【格納編】：Databricks で ETL されたデータを ADLS Gen2 に格納します

今回は 【抽出変換編】の說明となります。Databricks の Notebook を使用していきます。

• Azure Databricks
  • Cluster 作成
  • Notebook 作成
  • NoteBook 実装
    • Blob コンテナのマウント
    • Blob からのデータ抽出
    • データ変換
    • クエリ実行

ローカル環境

• macOS Big Sur 11.3
• python 3.8.3
• Azure CLI 2.28.0

前提条件

1. Azure環境がすでに用意されていること（テナント/サブスクリプション）。
2. ローカル環境に「azure cli」がインストールされていること。
3. Azure Databricks の環境が準備できていること - 前ステップが完了していること

---

Azure Databricks を使ってみます

この記事 にある「Azure Databricks で Spark クラスターを作成する」ところらへんを参考にしてすすめます

Spark クラスタの作成

1. Azure portal で、前ステップで作成した Databricks サービスに移動し、「ワークスペースの起動」 を選択します

2. Azure Databricks ポータルにリダイレクトされます。 ポータルで [New Cluster] を選択します

3. 以下のパラメータでクラスターを作成します

   項目	値
   Cluster Name	db_ituru_cluster01
   Cluster Mode	Single Node
   Databrickes Runtime Version	8.3 (includes Apache Spark 3.1.1, Scala 2.12)
   AutoPilotOprions	Terminate after 45 minutes of inactivity
   Node Type	Standard_DS3_v2 (14GB Memory 4Cores)

4. パラメータ入力後、「Create Cluster」ボタンを押します。クラスターが作成され、起動します
   

Notebook の作成

1. Azure Databricks ポータルで [New Notebook] を選択します

2. 以下のパラメータで NoteBook を作成します

   項目	値
   Name	ETL_UsageCost_01
   Default Language	Python
   Cluster	db_ituru_cluster01

3. パラメータ入力後、「Create」ボタンを押します。新規の Notebook 画面が表示されます。
   

Notebook の実装

この記事 の内容をほぼそのまま活用させていただきました。

Blobコンテナーのマウント

cmd_1

# コンテナーのマウント
# 一度マウントすると、Clusterを停止、変更してもマウント状態が維持されます
# マウントされた状態で再度操作を実行するとエラーが発生するため、マウント状態をチェックする

# Blob Storage情報（データ抽出用）
storage = {
  "account": "testaccount",
  "container": "cost-data",
  "key": "xxxxxxxxxxxxxxxxxxxxxxxxxxxx"
}

# マウント先DBFSディレクトリ（データ抽出用）
mount_point = "/mnt/blob-data"

try:
  # マウント状態のチェック
  mount_dir = mount_point
  if mount_dir[-1] == "/":
    mount_dir = mount_dir[:-1]
  if len(list(filter(lambda x: x.mountPoint == mount_dir, dbutils.fs.mounts()))) > 0:
    print("Already mounted.")
    mounted = True
  else:
    mounted = False

  # Blob Storageのマウント
  if not mounted:
    source = "wasbs://{container}@{account}.blob.core.windows.net".format(**storage)
    conf_key = "fs.azure.account.key.{account}.blob.core.windows.net".format(**storage)

    mounted = dbutils.fs.mount(
      source=source,
      mount_point = mount_point,
      extra_configs = {conf_key: storage["key"]}
    ) 

except Exception as e:
  raise e

"mounted: {}".format(mounted)

Blob Storageをマウントした ディレクトリ と ファイル の確認

cmd_2

# ディレクトリの確認
display(dbutils.fs.mounts())

# ファイルの確認（ファイルが存在しないとエラーが発生）
# mount_point = "/mnt/{マウント先ディレクトリ}"
display(dbutils.fs.ls(mount_point))

そのファイルの読込（データの抽出）

cmd_3

# Blob から 対象ファイルの読込 --> PySpark Dataframes 型式
# （読み込むファイルの指定をワイルドカードにすると、複数ファイル同時に扱えます）
sdf = spark.read\
    .option("multiline", "true").option("header", "false").option("inferSchema", "false")\
    .json('/mnt/blob-data/UsageCost_*.json')

display(sdf)

読み込んだデータの変換

cmd_4

import pandas as pd
import datetime

# PySpark Dataframes から Pandas への変換
pdf = sdf.toPandas()

# カラム：Data の型を long型 から datetime型 にデータ変換する
# （クエリ処理で、Dateを範囲指定（Betweem）で行いたいため）
pdf['Date'] = pd.to_datetime(pdf['Date'].astype(str), format='%Y-%m-%d')

# Pandas から PySpark Dataframes への変換
df = spark.createDataFrame(pdf)
display(df)

データのテーブル化

cmd_5

# クエリとして扱うときのテーブルを作成
df.createOrReplaceTempView("tbl_cost01")

クエリの実行

ベタなSQLで、Data=2021-08-15 のデータを取得する

cmd_6_例-1

%sql

SELECT * 
From tbl_cost01
Where tbl_cost01.Date='2021-08-15'

cmd_7_例-2

# Data が 2021-08-01 から 2021-03-03 間のデータを取得する
query_02 = """
SELECT * 
From tbl_cost01
WHERE tbl_cost01.Date BETWEEN '2021-08-21' AND '2021-08-22'
"""

display(spark.sql(query_02))

cmd_8_例-3

# 日付毎に集計をとり日付の新しい順に取得する
query_03 = """
SELECT tbl_cost01.Date, sum(tbl_cost01.UsageCost) as CostSummary
From tbl_cost01
Group by tbl_cost01.Date
Order by tbl_cost01.Date DESC
"""
 
display(spark.sql(query_03))

---

まとめ

Azure Databricksを使うとBlobのなかに貯めていたデータも簡単に分析できるようになるようです

参考記事

以下の記事を参考にさせていただきました。感謝申し上げます
Azure Databricks: 3-1. DBFSにBlob Storageをマウント