-
Notifications
You must be signed in to change notification settings - Fork 145
New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
Support writing to Databricks delta table using a module #1483
base: branch-24.06
Are you sure you want to change the base?
Changes from all commits
File filter
Filter by extension
Conversations
Jump to
Diff view
Diff view
There are no files selected for viewing
Original file line number | Diff line number | Diff line change | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
@@ -0,0 +1,113 @@ | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# Copyright (c) 2022-2023, NVIDIA CORPORATION. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# Licensed under the Apache License, Version 2.0 (the "License"); | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# you may not use this file except in compliance with the License. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# You may obtain a copy of the License at | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# http://www.apache.org/licenses/LICENSE-2.0 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# Unless required by applicable law or agreed to in writing, software | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# distributed under the License is distributed on an "AS IS" BASIS, | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# See the License for the specific language governing permissions and | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
# limitations under the License. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
import logging | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
import mrc | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
import pandas as pd | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from mrc.core import operators as ops | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
import cudf | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from morpheus.utils.module_utils import register_module | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from morpheus.config import Config | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from morpheus.messages import MessageMeta | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from morpheus.utils.module_ids import DATABRICKS_DELTALAKE_WRITER | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from morpheus.utils.module_ids import MORPHEUS_MODULE_NAMESPACE | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
logger = logging.getLogger(__name__) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
IMPORT_EXCEPTION = None | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
IMPORT_ERROR_MESSAGE = "DataBricks writer module requires the databricks-connect package to be installed." | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
try: | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from databricks.connect import DatabricksSession | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
from pyspark.sql import types as sql_types | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
except ImportError as import_exc: | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
IMPORT_EXCEPTION = import_exc | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Is 'IMPORT_EXCEPTION' used anywhere? If we're not handling the failure to import via some kind of work around, then lets log an error here and re-raise the ImportErrror |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
def _extract_schema_from_pandas_dataframe(df: pd.DataFrame) -> "sql_types.StructType": | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Lets add at least one unit test for this helper function; mocking out everything to deal with the spark internals in the module's work unit probably isn't worth it right now, but having a test file gives us a spot for sprouting new tests later. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Extract approximate schemas from pandas dataframe | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_schema = [] | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
for col, dtype in df.dtypes.items(): | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
try: | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
if dtype == "bool": | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.BooleanType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
elif dtype == "int64": | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.LongType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
elif dtype == "int32": | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.IntegerType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
elif dtype == "float64": | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.DoubleType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
elif dtype == "float32": | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.FloatType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
elif dtype == "datetime64[ns]": | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.TimestampType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.StringType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
except Exception as e: | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
logger.error("Encountered error %s while converting columns %s with data type %s", e, col, dtype) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_dtype = sql_types.StructField(col, sql_types.StringType()) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_schema.append(spark_dtype) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
return sql_types.StructType(spark_schema) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
@register_module(DATABRICKS_DELTALAKE_WRITER, MORPHEUS_MODULE_NAMESPACE) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
def databricks_deltalake_writer(builder: mrc.Builder): | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
module_config = builder.get_current_module_config() | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
"""module_config contains all the required configuration parameters, that would otherwise be passed to the stage. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Parameters | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
---------- | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
config : morpheus.config.Config | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Pipeline configuration instance. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
delta_path : str, default None | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Path of the delta table where the data need to be written or updated. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
databricks_host : str, default None | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
URL of Databricks host to connect to. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
databricks_token : str, default None | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Access token for Databricks cluster. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
databricks_cluster_id : str, default None | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Databricks cluster to be used to query the data as per SQL provided. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
delta_table_write_mode: str, default "append" | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Delta table write mode for storing data. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Comment on lines
+69
to
+85
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more.
Suggested change
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
delta_path = module_config.get("DELTA_PATH", None) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
delta_table_write_mode = module_config.get("DELTA_WRITE_MODE", "append") | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
databricks_host=module_config.get("DATABRICKS_HOST", None) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
databricks_token=module_config.get("DATABRICKS_TOKEN", None) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
databricks_cluster_id=module_config.get("DATABRICKS_CLUSTER_ID", None) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Please add error checking here for any config parameter that might cause the builder.remote call to fail later, this gives us more immediate feedback during module loading instead of runtime. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark = DatabricksSession.builder.remote(host=databricks_host,token=databricks_token,cluster_id=databricks_cluster_id).getOrCreate() | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
def write_to_deltalake(message: MessageMeta): | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
df = message.copy_dataframe() | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
if isinstance(df, cudf.DataFrame): | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
df = df.to_pandas() | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
schema = _extract_schema_from_pandas_dataframe(df) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_df = spark.createDataFrame(df, schema=schema) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
spark_df.write \ | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
.format('delta') \ | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
.option("mergeSchema", "true") \ | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
.mode(delta_table_write_mode) \ | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
.save(delta_path) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
return message | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
def node_fn(obs: mrc.Observable, sub: mrc.Subscriber): | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
obs.pipe(ops.map(write_to_deltalake), ops.flatten(), ops.filter(lambda x: x is not None)).subscribe(sub) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
node = builder.make_node(DATABRICKS_DELTALAKE_WRITER, mrc.core.operators.build(node_fn)) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
builder.register_module_input("input", node) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
builder.register_module_output("output", node) |
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.