将 Spark shel 与 Databricks Connect for Python 配合使用

本文介绍如何使用 Databricks Connect for Python 和 Spark shell。 通过 Databricks Connect，可以将常用应用程序连接到 Azure Databricks 计算。 请参阅什么是 Databricks Connect？。

若要将 Databricks Connect 与 Spark shell 和 Python 配合使用，请按以下说明操作。

1. 若要启动 Spark shell 并将其连接到正在运行的群集，请从已激活的 Python 虚拟环境运行以下命令之一：

   如果已设置 SPARK_REMOTE 环境变量，请运行以下命令：

   pyspark
   

   如果未设置 SPARK_REMOTE 环境变量，请改为运行以下命令：

   pyspark --remote "sc://<workspace-instance-name>:443/;token=<access-token-value>;x-databricks-cluster-id=<cluster-id>"
   

   此时会显示 Spark shell，例如：

   Python 3.10 ...
   [Clang ...] on darwin
   Type "help", "copyright", "credits" or "license" for more information.
   Welcome to
        ____              __
       / __/__  ___ _____/ /__
      _\ \/ _ \/ _ `/ __/  '_/
     /__ / .__/\_,_/_/ /_/\_\   version 13.x.dev0
        /_/
   
   Using Python version 3.10 ...
   Client connected to the Spark Connect server at sc://...:.../;token=...;x-databricks-cluster-id=...
   SparkSession available as 'spark'.
   >>>
   

现在运行简单的 PySpark 命令，例如 spark.range(1,10).show()。 如果未出现错误，则表示连接成功。

1. 有关如何配合使用 Spark shell 和 Python 在计算上运行命令的信息，请参阅使用 Spark Shell 进行交互式分析。

   使用内置的 spark 变量表示正在运行的群集上的 SparkSession，例如：

   >>> df = spark.read.table("samples.nyctaxi.trips")
   >>> df.show(5)
   +--------------------+---------------------+-------------+-----------+----------+-----------+
   |tpep_pickup_datetime|tpep_dropoff_datetime|trip_distance|fare_amount|pickup_zip|dropoff_zip|
   +--------------------+---------------------+-------------+-----------+----------+-----------+
   | 2016-02-14 16:52:13|  2016-02-14 17:16:04|         4.94|       19.0|     10282|      10171|
   | 2016-02-04 18:44:19|  2016-02-04 18:46:00|         0.28|        3.5|     10110|      10110|
   | 2016-02-17 17:13:57|  2016-02-17 17:17:55|          0.7|        5.0|     10103|      10023|
   | 2016-02-18 10:36:07|  2016-02-18 10:41:45|          0.8|        6.0|     10022|      10017|
   | 2016-02-22 14:14:41|  2016-02-22 14:31:52|         4.51|       17.0|     10110|      10282|
   +--------------------+---------------------+-------------+-----------+----------+-----------+
   only showing top 5 rows
   

   所有 Python 代码都在本地运行，而涉及 DataFrame 操作的 PySpark 代码在远程 Azure Databricks 工作区中的群集上运行，运行响应发送回给本地调用方。

2. 若要停止 Spark shell，请按 Ctrl + d 或 Ctrl + z，或者运行命令 quit() 或 exit()。