python - 使用 Apache Airflow 执行包含 PySpark 代码的 Databricks Notebook

Question

我正在使用 Airflow、Databricks 和 PySpark。我想知道当我想通过 Airflow 执行 Databricks Notebook 时是否可以添加更多参数。

我用 Python 编写了下一个代码，名为 MyETL:

def main(**kwargs):
      spark.sql("CREATE TABLE {0} {1}".format(table, columns))
      print("Running my ETL!")

    if __name__== "__main__":
      main(arg1, arg2)

我想定义其他任务参数来运行具有更多参数的 Databricks 笔记本，我想添加方法的名称以及这些方法的参数。例如，当我想在 Airflow 的 DAG 中注册任务时:

   notebook_task_params = {
        'new_cluster': new_cluster,
        'notebook_task': {
            'notebook_path': '/Users/airflow@example.com/MyETL',
            'method_name': 'main',
            'params':'[{'table':'A'},{'columns':['a', 'b']}]'
        },
    }

我不知道这是否可能，因为我没有找到类似的例子。

# Example of using the JSON parameter to initialize the operator.
notebook_task = DatabricksSubmitRunOperator(
    task_id='notebook_task',
    dag=dag,
    json=notebook_task_params)

换句话说，我想使用 Airflow 执行带有参数的笔记本。我的问题是我该怎么做？

Answer 1

您也可以将 method_name 添加为 params，然后在笔记本上解析出您的逻辑。

但是，这里更常见的模式是确保该方法已安装在您的集群上。

params = '[{'table':'A'},{'columns':['a', 'b']}]'

然后在 databricks 上的笔记本中:

table = getArgument("table", "DefaultValue")
columns = getArgument("columns", "DefaultValue")

result = method(table, columns)

<小时/>

如果您可以在笔记本作业运行中看到参数(上面附有图像)，您还会知道是否可以通过 getArgument() 访问参数。