在 Azure Databricks 中使用 SQL 仓库

SQL 是用于查询和操作数据的行业标准语言。 许多数据分析师通过使用 SQL 查询关系数据库中的表来执行数据分析。 Azure Databricks 包括基于 Spark 和 Delta Lake 技术生成的 SQL 功能，可针对数据湖中的文件提供关系数据库层。

完成此练习大约需要 30 分钟。

预配 Azure Databricks 工作区

提示：如果你已拥有高级或试用版 Azure Databricks 工作区，则可以跳过此过程并使用现有工作区。

本练习包括一个用于预配新 Azure Databricks 工作区的脚本。 该脚本会尝试在一个区域中创建高级层 Azure Databricks 工作区资源，在该区域中，Azure 订阅具有本练习所需计算核心的充足配额；该脚本假设你的用户帐户在订阅中具有足够的权限来创建 Azure Databricks 工作区资源。 如果脚本由于配额或权限不足失败，可以尝试 在 Azure 门户中以交互方式创建 Azure Databricks 工作区。

  1. 在 Web 浏览器中，登录到 Azure 门户，网址为 https://portal.azure.com。

  2. 使用页面顶部搜索栏右侧的 [>_] 按钮在 Azure 门户中创建新的 Cloud Shell，在出现提示时选择“PowerShell”环境并创建存储。 Cloud Shell 在 Azure 门户底部的窗格中提供命令行界面，如下所示：

    具有 Cloud Shell 窗格的 Azure 门户

    注意：如果以前创建了使用 Bash 环境的 Cloud shell，请使用 Cloud Shell 窗格左上角的下拉菜单将其更改为“PowerShell”。

  3. 请注意，可以通过拖动窗格顶部的分隔条或使用窗格右上角的 —、◻ 或 X 图标来调整 Cloud Shell 的大小，以最小化、最大化和关闭窗格 。 有关如何使用 Azure Cloud Shell 的详细信息，请参阅 Azure Cloud Shell 文档。

  4. 在 PowerShell 窗格中，输入以下命令以克隆此存储库：

     rm -r mslearn-databricks -f
 git clone https://github.com/MicrosoftLearning/mslearn-databricks

  5. 克隆存储库后，请输入以下命令以运行 setup.ps1 脚本，以在可用区域中预配 Azure Databricks 工作区：

     ./mslearn-databricks/setup.ps1
  6. 如果出现提示，请选择要使用的订阅（仅当有权访问多个 Azure 订阅时才会发生这种情况）。
  7. 等待脚本完成 - 这通常需要大约 5 分钟，但在某些情况下可能需要更长的时间。 在等待时，请查看 Azure Databricks 文档中的什么是 Azure Databricks 上的数据仓库？一文。

查看和启动 SQL 仓库

  1. 部署 Azure Databricks 工作区资源后，请在 Azure 门户转到该资源。

  2. 在 Azure Databricks 工作区的“概述”页中，使用“启动工作区”按钮在新的浏览器选项卡中打开 Azure Databricks 工作区；并在出现提示时登录 。

    提示：使用 Databricks 工作区门户时，可能会显示各种提示和通知。 消除这些内容，并按照提供的说明完成本练习中的任务。

  3. 查看 Azure Databricks 工作区门户，请注意，左侧边栏包含任务类别的名称。
  4. 在边栏的“SQL”下，选择“SQL 仓库” 。
  5. 请注意，工作区已包含名为“入门仓库”的 SQL 仓库。
  6. 在 SQL 仓库的“操作”(⁝) 菜单中，选择“编辑” 。 然后将“群集大小”属性设置为 2X-Small 并保存更改 。
  7. 使用“开始”按钮启动 SQL 仓库（可能需要一两分钟）。

注意：如果 SQL 仓库无法启动，则订阅在预配 Azure Databricks 工作区的区域中的配额可能不足。 有关详细信息，请参阅所需的 Azure vCPU 配额。 如果发生这种情况，可以在仓库启动失败时尝试请求增加配额，如错误消息中所示。 或者，可以尝试删除工作区，并在其他区域创建新工作区。 可以将区域指定为设置脚本的参数，如下所示：./setup.ps1 eastus

创建数据库架构

  1. SQL 仓库运行时，在边栏中选择“SQL 编辑器”。
  2. 在“架构浏览器”窗格中，查看 hive_metastore 目录是否包含名为 default 的数据库。

  3. 在“新建查询”窗格中，输入以下 SQL 代码：

    CREATE DATABASE retail_db;
  4. 使用“►运行(1000)”按钮运行 SQL 代码。
  5. 成功执行代码后，在“架构浏览器”窗格中，使用窗格底部的“刷新”按钮刷新列表。 然后，展开 hive_metastore 和 retail_db，查看数据库是否已创建，但不包含任何表。

可以将“默认”数据库用于表，但在生成分析数据存储时，最好为特定数据创建自定义数据库。

创建表

  1. 将 products.csv 文件下载到本地计算机，并将其另存为 products.csv 。
  2. 在 Azure Databricks 工作区门户的边栏中，选择“(+) 新建”，然后选择“文件上传”，将下载的 products.csv 文件上传到计算机 。
  3. 在“上传数据”页中，选择 retail_db 架构并将表名设置为 products。 然后，选择页面左下角的“创建表”。
  4. 创建表后，查看其详细信息。

通过从文件导入数据来创建表的功能，可以轻松填充数据库。 还可以使用 Spark SQL 通过代码创建表。 表本身是配置单元元存储中的元数据定义，它们包含的数据以增量格式存储在 Databricks 文件系统 (DBFS) 存储中。

创建查询

  1. 在边栏中，选择“(+) 新建”，然后选择“查询” 。
  2. 在“架构浏览器”窗格中，展开 hive_metastore 和 retail_db，并验证 products 表是否已列出。

  3. 在“新建查询”窗格中，输入以下 SQL 代码：

    SELECT ProductID, ProductName, Category
FROM retail_db.products;
  4. 使用“►运行(1000)”按钮运行 SQL 代码。
  5. 查询完成后，查看结果表。
  6. 使用查询编辑器右上角的“保存”按钮将查询另存为“产品和类别” 。

保存查询便于以后再次检索相同的数据。

创建仪表板

  1. 在边栏中，选择“(+) 新建”，然后选择“仪表板” 。
  2. 在“新建仪表板”对话框中，输入“零售仪表板”名称，然后选择“保存”。
  3. 在“零售仪表板”仪表板的“添加”下拉列表中，选择“可视化”。
  4. 在“添加可视化效果小组件”对话框中，选择“产品和类别”查询 。 然后选择“新建可视化效果”**，将标题设置为“每个类别的产品”，然后选择“创建可视化效果”**。
  5. 在可视化效果编辑器中，设置以下属性：
    • 可视化效果类型：条形图
    • 水平图表：选中
    • Y 列：类别
    • X 列：产品 ID：计数
    • 分组依据：留空
    • 堆叠：已禁用
    • 将值规范化为百分比：未选中
    • 缺失值和 NULL 值：不在图表中显示
  6. 保存可视化效果并在仪表板中进行查看。
  7. 选择“完成编辑”以查看将显示给用户的仪表板。

仪表板是与业务用户共享数据表和可视化效果的好方法。 你可以计划定期刷新仪表板，并通过电子邮件发送给订阅者。

清理

在 Azure Databricks 门户中的“SQL 仓库”页上，选择你的 SQL 仓库并选择“■ 停止”将其关闭。

如果已完成对 Azure Databricks 的探索，则可以删除已创建的资源，以避免产生不必要的 Azure 成本并释放订阅中的容量。