Accès aux données dans les notebooks Jupyterlab

Chaque noyau pris en charge fournit des fonctionnalités intégrées qui vous permettent de lire les données de Platform à partir d’un jeu de données dans un notebook. Actuellement, JupyterLab dans Adobe Experience Platform Data Science Workspace prend en charge les notebooks pour Python, R, PySpark et Scala. Toutefois, la prise en charge de la pagination des données est limitée aux notebooks Python et R. Ce guide se concentre sur l’utilisation des notebooks JupyterLab pour accéder à vos données.

Prise en main

Avant de lire ce guide, consultez le JupyterLab guide de l’utilisateur pour une présentation de haut niveau de JupyterLab et de son rôle dans Data Science Workspace.

Limites de données des notebooks

IMPORTANT

Pour les notebooks PySpark et Scala si vous recevez une erreur expliquant que "Client RPC distant dissocié". Cela signifie généralement que la mémoire du pilote ou de l’exécuteur est insuffisante. Essayez de passer en mode "batch" pour résoudre cette erreur.

Les informations suivantes définissent la quantité maximale de données pouvant être lues, le type de données utilisé et la période estimée nécessaire à la lecture des données.

Pour Python et R, un serveur de notebook configuré à 40 Go de RAM a été utilisé pour les références. Pour PySpark et Scala, un cluster de données configuré à 64 Go de mémoire vive, 8 coeurs, 2 DBU avec un maximum de 4 programmes de travail a été utilisé pour les références décrites ci-dessous.

Les données de schéma ExperienceEvent utilisées ont une taille variable, allant de mille (1K) lignes allant jusqu’à un milliard (1B). Notez que pour les mesures PySpark et Spark , une période de 10 jours a été utilisée pour les données XDM.

Les données de schéma ad hoc ont été prétraitées à l’aide de Query Service Create Table as Select (CTAS). La taille de ces données varie également d’un millier de lignes (1K) allant jusqu’à un milliard de lignes (1B).

Quand utiliser le mode batch ou le mode interactif ?

Lors de la lecture de jeux de données avec des notebooks PySpark et Scala, vous avez la possibilité d’utiliser le mode interactif ou le mode batch pour lire le jeu de données. L’option interactive est faite pour des résultats rapides, tandis que le mode batch est appliqué aux jeux de données volumineux.

  • Pour les notebooks PySpark et Scala, le mode batch doit être utilisé lorsque 5 millions de lignes de données ou plus sont en cours de lecture. Pour plus d’informations sur l’efficacité de chaque mode, voir les tableaux de limite de données PySpark ou Scala ci-dessous.

Python limites de données des notebooks

Schéma XDM ExperienceEvent : vous devriez être en mesure de lire un maximum de 2 millions de lignes (~6,1 Go de données sur le disque) de données XDM en moins de 22 minutes. L’ajout de lignes supplémentaires peut entraîner des erreurs.

Nombre de lignes 1 000 10 000 100 000 1M 2M
Taille sur le disque (Mo) 18,73 187,5 308 3 000 6050
SDK (en secondes) 20,3 86,8 63 659 1315

schéma ad hoc : vous devriez pouvoir lire un maximum de 5 millions de lignes (~5,6 Go de données sur le disque) de données non XDM (ad hoc) en moins de 14 minutes. L’ajout de lignes supplémentaires peut entraîner des erreurs.

Nombre de lignes 1 000 10 000 100 000 1M 2M 3M 5M
Taille sur le disque (en Mo) 1,21 11,72 115 1120 2250 3380 5630
SDK (en secondes) 7,27 9,04 27,3 180 346 487 819

Limites de données des notebooks R

Schéma XDM ExperienceEvent : vous devriez pouvoir lire un maximum de 1 million de lignes de données XDM (données de 3 Go sur le disque) en moins de 13 minutes.

Nombre de lignes 1 000 10 000 100 000 1M
Taille sur le disque (Mo) 18,73 187,5 308 3 000
Noyau R (en secondes) 14,03 69,6 86,8 775

schéma ad hoc : vous devriez pouvoir lire un maximum de 3 millions de lignes de données ad hoc (293 Mo de données sur le disque) en 10 minutes environ.

Nombre de lignes 1 000 10 000 100 000 1M 2M 3M
Taille sur le disque (en Mo) 0,082 0,612 9.0 91 188 293
SDK R (en secondes) 7,7 4,58 35,9 233 470,5 603

Limites des données du notebook PySpark (Python noyau) :

Schéma XDM ExperienceEvent : en mode interactif, vous devriez pouvoir lire un maximum de 5 millions de lignes (~13,42 Go de données sur le disque) de données XDM en environ 20 minutes. Le mode interactif ne prend en charge que 5 millions de lignes au maximum. Si vous souhaitez lire des jeux de données plus volumineux, il est conseillé de passer en mode batch. En mode batch, vous devriez pouvoir lire un maximum de 500 millions de lignes (~1,31 To de données sur le disque) de données XDM en 14 heures environ.

Nombre de lignes 1 000 10 000 100 000 1M 2M 3M 5M 10M 50M 100M 500M
Taille du disque 2,93 Mo 4,38 Mo 29,02 2.69 Go 5.39 Go 8.09 Go 13.42 Go 26.82 Go 134.24 Go 268.39 Go 1,31 To
SDK (mode interactif) 33s 32,4 s 55.1 s 253.5s 489.2s 729.6s 1206.8s - - - -
SDK (mode batch) 815.8s 492.8s 379.1s 637,4 s 624.5s 869.2s 1104.1s 1 786 s 5387.2s 10624.6s 50547s

schéma ad hoc : en mode interactif, vous devriez pouvoir lire un maximum de 5 millions de lignes (~5,36 Go de données sur le disque) de données non XDM en moins de 3 minutes. En mode Lot , vous devriez pouvoir lire un maximum de 1 milliard de lignes (~1,05 To de données sur le disque) de données non XDM en environ 18 minutes.

Nombre de lignes 1 000 10 000 100 000 1M 2M 3M 5M 10M 50M 100M 500M 1B
Taille du disque 1,12 Mo 11,24 Mo 109,48 Mo 2.69 Go 2.14 Go 3.21 Go 5.36 Go 10.71 Go 53.58 Go 107.52 Go 535.88 Go 1,05 To
Mode interactif SDK (en secondes) 28.2 s 18.6s 20,8 s 20,9 s 23,8 s 21,7 s 24,7 s - - - - -
Mode batch du SDK (en secondes) 428.8s 578.8s 641.4 s 538.5s 630,9 s 467.3s 411s 675s 702s 719.2s 1022.1s 1122.3s

Spark Limites des données du notebook (noyau Scala) :

Schéma XDM ExperienceEvent : en mode interactif, vous devriez pouvoir lire un maximum de 5 millions de lignes (~13,42 Go de données sur le disque) de données XDM en environ 18 minutes. Le mode interactif ne prend en charge que 5 millions de lignes au maximum. Si vous souhaitez lire des jeux de données plus volumineux, il est conseillé de passer en mode batch. En mode batch, vous devriez pouvoir lire un maximum de 500 millions de lignes (~1,31 To de données sur le disque) de données XDM en 14 heures environ.

Nombre de lignes 1 000 10 000 100 000 1M 2M 3M 5M 10M 50M 100M 500M
Taille du disque 2,93 Mo 4,38 Mo 29,02 2.69 Go 5.39 Go 8.09 Go 13.42 Go 26.82 Go 134.24 Go 268.39 Go 1,31 To
Mode interactif SDK (en secondes) 37,9 s 22,7 s 45.6s 231,7 s 444,7 s 660.6s 1 100 s - - - -
Mode batch du SDK (en secondes) 374.4 s 398.5s 527s 487.9s 588.9s 829 s 939.1s 1 441 s 5473.2s 10118.8 49207.6

schéma ad hoc : en mode interactif, vous devriez pouvoir lire un maximum de 5 millions de lignes (~5,36 Go de données sur le disque) de données non XDM en moins de 3 minutes. En mode batch, vous devriez pouvoir lire un maximum de 1 milliard de lignes (~1,05 To de données sur le disque) de données non XDM en environ 16 minutes.

Nombre de lignes 1 000 10 000 100 000 1M 2M 3M 5M 10M 50M 100M 500M 1B
Taille du disque 1,12 Mo 11,24 Mo 109,48 Mo 2.69 Go 2.14 Go 3.21 Go 5.36 Go 10.71 Go 53.58 Go 107.52 Go 535.88 Go 1,05 To
Mode interactif SDK (en secondes) 35,7 s 31 s 19.5s 25.3 23 s 33.2s 25.5s - - - - -
Mode batch du SDK (en secondes) 448.8s 459,7 s 519s 475.8s 599.9s 347.6s 407.8s 397 s 518.8s 487.9s 760.2s 975.4 s

notebooks Python

Python les notebooks vous permettent de paginer les données lors de l’accès aux jeux de données. Vous trouverez ci-dessous un exemple de code pour lire des données avec et sans pagination. Pour plus d’informations sur les notebooks Python de démarrage disponibles, consultez la section JupyterLab Lanceur du guide d’utilisation de JupyterLab.

La documentation Python ci-dessous décrit les concepts suivants :

Lecture à partir d’un jeu de données en Python

Sans pagination :

L’exécution du code suivant lit le jeu de données complet. Si l’exécution est réussie, les données sont enregistrées sous la forme d’un cadre de données pandas référencé par la variable df.

# Python

from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.read()
df.head()

Avec pagination :

L’exécution du code suivant lit les données du jeu de données spécifié. La pagination est obtenue en limitant et en décalant les données à l’aide des fonctions limit() et offset() respectivement. La limitation des données fait référence au nombre maximal de points de données à lire, tandis que le décalage fait référence au nombre de points de données à ignorer avant la lecture des données. Si l’opération de lecture s’exécute correctement, les données sont enregistrées sous la forme d’un cadre de données pandas référencé par la variable df.

# Python

from platform_sdk.dataset_reader import DatasetReader

dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.limit(100).offset(10).read()

Écriture dans un jeu de données en Python

Pour écrire dans un jeu de données de votre notebook JupyterLab, sélectionnez l’onglet Icône de données (mis en évidence ci-dessous) dans le volet de navigation de gauche de JupyterLab. Les répertoires Jeux de données et Schémas s’affichent. Sélectionnez Jeux de données et cliquez avec le bouton droit, puis sélectionnez l’option Écrire des données dans Notebook dans le menu déroulant du jeu de données que vous souhaitez utiliser. Une entrée de code exécutable s’affiche au bas de votre notebook.

  • Utilisez Écrire des données dans Notebook pour générer une cellule d’écriture avec votre jeu de données sélectionné.
  • Utilisez Explorer les données dans Notebook pour générer une cellule de lecture avec votre jeu de données sélectionné.
  • Utilisez Données de requête dans Notebook pour générer une cellule de requête de base avec votre jeu de données sélectionné.

Vous pouvez également copier et coller la cellule de code suivante. Remplacez {DATASET_ID} et {PANDA_DATAFRAME}.

from platform_sdk.models import Dataset
from platform_sdk.dataset_writer import DatasetWriter

dataset = Dataset(get_platform_sdk_client_context()).get_by_id(dataset_id="{DATASET_ID}")
dataset_writer = DatasetWriter(get_platform_sdk_client_context(), dataset)
write_tracker = dataset_writer.write({PANDA_DATAFRAME}, file_format='json')

Données de requête utilisant Query Service dans Python

JupyterLabPlatformPython sur vous permet d’utiliser SQL dans un notebook pour accéder aux données via Adobe Experience Platform Query Service. L’accès aux données par l’intermédiaire de Query Service peut s’avérer utile pour traiter des jeux de données volumineux en raison de ses temps d’exécution supérieurs. Notez que l’interrogation de données à l’aide de Query Service a une durée de traitement de dix minutes.

Avant d’utiliser Query Service dans JupyterLab, assurez-vous de bien comprendre la Query Service syntaxe SQL.

La requête de données à l’aide de Query Service nécessite que vous fournissiez le nom du jeu de données cible. Vous pouvez générer les cellules de code nécessaires en recherchant le jeu de données souhaité à l’aide de l’explorateur de données. Cliquez avec le bouton droit sur la liste des jeux de données, puis cliquez sur Query Data dans Notebook pour générer deux cellules de code dans votre notebook. Ces deux cellules sont décrites plus en détail ci-dessous.

Pour utiliser Query Service dans JupyterLab, vous devez d’abord créer une connexion entre votre Python notebook fonctionnel et Query Service. Pour ce faire, exécutez la première cellule générée.

qs_connect()

Dans la seconde cellule générée, la première ligne doit être définie avant la requête SQL. Par défaut, la cellule générée définit une variable facultative (df0) qui enregistre les résultats des requêtes sous la forme d’un cadre de données pandas.
L’argument -c QS_CONNECTION est obligatoire et indique au noyau d’exécuter la requête SQL sur Query Service. Consultez l’annexe pour obtenir une liste d’arguments supplémentaires.

%%read_sql df0 -c QS_CONNECTION
SELECT *
FROM name_of_the_dataset
LIMIT 10
/* Querying table "name_of_the_dataset" (datasetId: {DATASET_ID})*/

Vous pouvez référencer les variables Python directement dans une requête SQL en utilisant une syntaxe au format chaîne et en mettant les variables entre accolades ({}), comme indiqué dans l’exemple suivant :

table_name = 'name_of_the_dataset'
table_columns = ','.join(['col_1','col_2','col_3'])
%%read_sql demo -c QS_CONNECTION
SELECT {table_columns}
FROM {table_name}

Filtrer les données ExperienceEvent

Pour accéder à un jeu de données ExperienceEvent et le filtrer dans un notebook Python, vous devez fournir l’identifiant du jeu de données ({DATASET_ID}) ainsi que les règles de filtrage qui définissent une période spécifique à l’aide d’opérateurs logiques. Lorsqu’un intervalle de temps est défini, toute pagination spécifiée est ignorée et le jeu de données complet est pris en compte.

Une liste d’opérateurs de filtrage est décrite ci-dessous :

  • eq() : égal à
  • gt() : supérieur à
  • ge() : supérieur ou égal à
  • lt() : inférieur à
  • le() : inférieur ou égal à
  • And() : opérateur ET logique
  • Or() : opérateur OU logique

La cellule suivante filtre un jeu de données ExperienceEvent sur les données qui existent exclusivement entre le 1er janvier 2019 et la fin du 31 décembre 2019.

# Python

from platform_sdk.dataset_reader import DatasetReader

dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.\
    where(dataset_reader["timestamp"].gt("2019-01-01 00:00:00").\
    And(dataset_reader["timestamp"].lt("2019-12-31 23:59:59"))\
).read()

notebooks R

Les notebooks R vous permettent de paginer les données lors de l’accès aux jeux de données. Vous trouverez ci-dessous un exemple de code pour lire des données avec et sans pagination. Pour plus d’informations sur les notebooks de démarrage R disponibles, consultez la section JupyterLab Lanceur du guide d’utilisation de JupyterLab.

La documentation R ci-dessous décrit les concepts suivants :

Lecture à partir d’un jeu de données en R

Sans pagination :

L’exécution du code suivant lit le jeu de données complet. Si l’exécution est réussie, les données sont enregistrées sous la forme d’un cadre de données pandas référencé par la variable df0.

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$read()
head(df0)

Avec pagination :

L’exécution du code suivant lit les données du jeu de données spécifié. La pagination est obtenue en limitant et en décalant les données à l’aide des fonctions limit() et offset() respectivement. La limitation des données fait référence au nombre maximal de points de données à lire, tandis que le décalage fait référence au nombre de points de données à ignorer avant la lecture des données. Si l’opération de lecture s’exécute correctement, les données sont enregistrées sous la forme d’un cadre de données pandas référencé par la variable df0.

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")

DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}") 
df0 <- dataset_reader$limit(100L)$offset(10L)$read()

Écriture dans un jeu de données en R

Pour écrire dans un jeu de données de votre notebook JupyterLab, sélectionnez l’onglet Icône de données (mis en évidence ci-dessous) dans le volet de navigation de gauche de JupyterLab. Les répertoires Jeux de données et Schémas s’affichent. Sélectionnez Jeux de données et cliquez avec le bouton droit, puis sélectionnez l’option Écrire des données dans Notebook dans le menu déroulant du jeu de données que vous souhaitez utiliser. Une entrée de code exécutable s’affiche au bas de votre notebook.

  • Utilisez Écrire des données dans Notebook pour générer une cellule d’écriture avec votre jeu de données sélectionné.
  • Utilisez Explorer les données dans Notebook pour générer une cellule de lecture avec votre jeu de données sélectionné.

Vous pouvez également copier et coller la cellule de code suivante :

psdk <- import("platform_sdk")
dataset <- psdk$models$Dataset(py$get_platform_sdk_client_context())$get_by_id(dataset_id="{DATASET_ID}")
dataset_writer <- psdk$dataset_writer$DatasetWriter(py$get_platform_sdk_client_context(), dataset)
write_tracker <- dataset_writer$write(df, file_format='json')

Filtrer les données ExperienceEvent

Pour accéder à un jeu de données ExperienceEvent et le filtrer dans un notebook R, vous devez fournir l’identifiant du jeu de données ({DATASET_ID}) ainsi que les règles de filtrage qui définissent un intervalle de temps spécifique à l’aide d’opérateurs logiques. Lorsqu’un intervalle de temps est défini, toute pagination spécifiée est ignorée et le jeu de données complet est pris en compte.

Une liste d’opérateurs de filtrage est décrite ci-dessous :

  • eq() : égal à
  • gt() : supérieur à
  • ge() : supérieur ou égal à
  • lt() : inférieur à
  • le() : inférieur ou égal à
  • And() : opérateur ET logique
  • Or() : opérateur OU logique

La cellule suivante filtre un jeu de données ExperienceEvent sur les données qui existent exclusivement entre le 1er janvier 2019 et la fin du 31 décembre 2019.

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")

client_context <- py$PLATFORM_SDK_CLIENT_CONTEXT
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}") 

df0 <- dataset_reader$
    where(dataset_reader["timestamp"]$gt("2019-01-01 00:00:00")$
    And(dataset_reader["timestamp"]$lt("2019-12-31 23:59:59"))
)$read()

notebooks PySpark 3

La documentation PySpark ci-dessous décrit les concepts suivants :

Initialisation de sparkSession

Tous les notebooks Spark 2.4 requièrent l’initialisation de la session avec le code standard suivant.

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

Utilisation de %dataset pour lire et écrire avec un notebook PySpark 3

Avec l’introduction de Spark 2.4, la %dataset magie personnalisée est fournie pour une utilisation dans les notebooks PySpark 3 (Spark 2.4). Pour plus d’informations sur les commandes magiques disponibles dans le noyau IPython, consultez la documentation magique IPython.

Utilisation

%dataset {action} --datasetId {id} --dataFrame {df} --mode batch

Description

Commande magique Data Science Workspace personnalisée pour lire ou écrire un jeu de données à partir d’un notebook PySpark (Python noyau 3).

Nom Description Obligatoire
{action} Type d’action à effectuer sur le jeu de données. Deux actions sont disponibles "read" ou "write". Oui
--datasetId {id} Utilisé pour fournir l’identifiant du jeu de données à lire ou à écrire. Oui
--dataFrame {df} Le cadre de données pandas.
  • Lorsque l’action est "read", {df} est la variable où les résultats de l’opération de lecture du jeu de données sont disponibles (un cadre de données, par exemple).
  • Lorsque l’action est "write", ce cadre de données {df} est écrit dans le jeu de données.
Oui
--mode Paramètre supplémentaire qui modifie la manière dont les données sont lues. Les paramètres autorisés sont "batch" et "interactive". Par défaut, le mode est défini sur "batch".
Il est recommandé d’utiliser le mode "interactif" pour améliorer les performances des requêtes sur les jeux de données plus petits.
Oui
CONSEIL

Consultez les tables PySpark dans la section Limites de données des notebooks pour déterminer si mode doit être défini sur interactive ou batch.

Exemples

  • Exemple de lecture : %dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0 --mode batch
  • Exemple d'écriture : %dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0 --mode batch
IMPORTANT

La mise en cache de données à l’aide de df.cache() avant l’écriture de données peut améliorer considérablement les performances des notebooks. Cela peut vous aider si vous recevez l’une des erreurs suivantes :

  • Traitement abandonné en raison d’un échec de test… Peuvent uniquement compresser les RDD avec le même nombre d'éléments dans chaque partition.
  • Client RPC distant dissocié et autres erreurs de mémoire.
  • Mauvaises performances lors de la lecture et de l’écriture de jeux de données.

Pour plus d’informations, consultez le guide de dépannage .

Vous pouvez générer automatiquement les exemples ci-dessus dans JupyterLab en achetant à l’aide de la méthode suivante :

Sélectionnez l’onglet Icône de données (en surbrillance ci-dessous) dans le volet de navigation de gauche de JupyterLab. Les répertoires Jeux de données et Schémas s’affichent. Sélectionnez Jeux de données et cliquez avec le bouton droit, puis sélectionnez l’option Écrire des données dans Notebook dans le menu déroulant du jeu de données que vous souhaitez utiliser. Une entrée de code exécutable s’affiche au bas de votre notebook.

  • Utilisez Explorer les données dans Notebook pour générer une cellule de lecture.
  • Utilisez Écrire des données dans Notebook pour générer une cellule d’écriture.

Création d’un cadre de données local

Pour créer un cadre de données local à l’aide de PySpark 3, utilisez des requêtes SQL. Par exemple :

date_aggregation.createOrReplaceTempView("temp_df")

df = spark.sql('''
  SELECT *
  FROM sparkdf
''')

local_df
df = spark.sql('''
  SELECT *
  FROM sparkdf
  LIMIT limit
''')
sample_df = df.sample(fraction)
CONSEIL

Vous pouvez également spécifier un échantillon de contrôle facultatif, tel qu’une valeur booléenne avecRemplacement, une double fraction ou une valeur de départ longue.

Filtrer les données ExperienceEvent

Pour accéder à un jeu de données ExperienceEvent et le filtrer dans un notebook PySpark, vous devez fournir l’identité du jeu de données ({DATASET_ID}), l’identité IMS de votre organisation et les règles de filtrage définissant une période spécifique. Un intervalle de temps de filtrage est défini à l’aide de la fonction spark.sql(), où le paramètre de fonction est une chaîne de requête SQL.

Les cellules suivantes filtrent un jeu de données ExperienceEvent par rapport aux données qui existent exclusivement entre le 1er janvier 2019 et la fin du 31 décembre 2019.

# PySpark 3 (Spark 2.4)

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

%dataset read --datasetId {DATASET_ID} --dataFrame df --mode batch

df.createOrReplaceTempView("event")
timepd = spark.sql("""
    SELECT *
    FROM event
    WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
    AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timepd.show()

notebooks Scala

La documentation ci-dessous contient des exemples des concepts suivants :

Initialisation de SparkSession

Tous les notebooks Scala nécessitent que vous initialisiez la session avec le code standard suivant :

import org.apache.spark.sql.{ SparkSession }
val spark = SparkSession
  .builder()
  .master("local")
  .getOrCreate()

Lecture d’un jeu de données

Dans Scala, vous pouvez importer clientContext pour obtenir et renvoyer des valeurs Platform, ce qui élimine la nécessité de définir des variables telles que var userToken. Dans l’exemple Scala ci-dessous, clientContext est utilisé pour obtenir et renvoyer toutes les valeurs requises pour lire un jeu de données.

IMPORTANT

La mise en cache de données à l’aide de df.cache() avant l’écriture de données peut améliorer considérablement les performances des notebooks. Cela peut vous aider si vous recevez l’une des erreurs suivantes :

  • Traitement abandonné en raison d’un échec de test… Peuvent uniquement compresser les RDD avec le même nombre d'éléments dans chaque partition.
  • Client RPC distant dissocié et autres erreurs de mémoire.
  • Mauvaises performances lors de la lecture et de l’écriture de jeux de données.

Pour plus d’informations, consultez le guide de dépannage .

import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()

val clientContext = ClientContext.getClientContext()
val df1 = spark.read.format("com.adobe.platform.query")
  .option("user-token", clientContext.getUserToken())
  .option("ims-org", clientContext.getOrgId())
  .option("api-key", clientContext.getApiKey())
  .option("service-token", clientContext.getServiceToken())
  .option("sandbox-name", clientContext.getSandboxName())
  .option("mode", "batch")
  .option("dataset-id", "5e68141134492718af974844")
  .load()

df1.printSchema()
df1.show(10)
Élément Description
df1 Variable qui représente le cadre de données pandas utilisé pour lire et écrire des données.
user-token Votre jeton utilisateur qui est automatiquement récupéré à l’aide de clientContext.getUserToken().
service-token Votre jeton de service qui est automatiquement récupéré à l’aide de clientContext.getServiceToken().
ims-org Votre identifiant de l’organisation IMS qui est automatiquement récupéré à l’aide de clientContext.getOrgId().
api-key Votre clé API automatiquement récupérée à l’aide de clientContext.getApiKey().
CONSEIL

Consultez les tables Scala dans la section Limites de données des notebooks pour déterminer si mode doit être défini sur interactive ou batch.

Vous pouvez générer automatiquement l’exemple ci-dessus dans JupyterLab en achetant à l’aide de la méthode suivante :

Sélectionnez l’onglet Icône de données (en surbrillance ci-dessous) dans le volet de navigation de gauche de JupyterLab. Les répertoires Jeux de données et Schémas s’affichent. Sélectionnez Jeux de données et cliquez avec le bouton droit, puis sélectionnez l’option Explorer les données dans Notebook dans le menu déroulant du jeu de données que vous souhaitez utiliser. Une entrée de code exécutable s’affiche au bas de votre notebook.
And

  • Utilisez Explorer les données dans Notebook pour générer une cellule de lecture.
  • Utilisez Écrire des données dans Notebook pour générer une cellule d’écriture.

Écriture dans un jeu de données

Dans Scala, vous pouvez importer clientContext pour obtenir et renvoyer des valeurs Platform, ce qui élimine la nécessité de définir des variables telles que var userToken. Dans l’exemple Scala ci-dessous, clientContext est utilisé pour définir et renvoyer toutes les valeurs requises pour l’écriture dans un jeu de données.

IMPORTANT

La mise en cache de données à l’aide de df.cache() avant l’écriture de données peut améliorer considérablement les performances des notebooks. Cela peut vous aider si vous recevez l’une des erreurs suivantes :

  • Traitement abandonné en raison d’un échec de test… Peuvent uniquement compresser les RDD avec le même nombre d'éléments dans chaque partition.
  • Client RPC distant dissocié et autres erreurs de mémoire.
  • Mauvaises performances lors de la lecture et de l’écriture de jeux de données.

Pour plus d’informations, consultez le guide de dépannage .

import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()

val clientContext = ClientContext.getClientContext()
df1.write.format("com.adobe.platform.query")
  .option("user-token", clientContext.getUserToken())
  .option("service-token", clientContext.getServiceToken())
  .option("ims-org", clientContext.getOrgId())
  .option("api-key", clientContext.getApiKey())
  .option("sandbox-name", clientContext.getSandboxName())
  .option("mode", "batch")
  .option("dataset-id", "5e68141134492718af974844")
  .save()
element description
df1 Variable qui représente le cadre de données pandas utilisé pour lire et écrire des données.
user-token Votre jeton utilisateur qui est automatiquement récupéré à l’aide de clientContext.getUserToken().
service-token Votre jeton de service qui est automatiquement récupéré à l’aide de clientContext.getServiceToken().
ims-org Votre identifiant de l’organisation IMS qui est automatiquement récupéré à l’aide de clientContext.getOrgId().
api-key Votre clé API automatiquement récupérée à l’aide de clientContext.getApiKey().
CONSEIL

Consultez les tables Scala dans la section Limites de données des notebooks pour déterminer si mode doit être défini sur interactive ou batch.

créer un cadre de données local ;

Pour créer un cadre de données local à l’aide de Scala, des requêtes SQL sont requises. Par exemple :

sparkdf.createOrReplaceTempView("sparkdf")

val localdf = spark.sql("SELECT * FROM sparkdf LIMIT 1)

Filtrer les données ExperienceEvent

Pour accéder à un jeu de données ExperienceEvent et le filtrer dans un notebook Scala, vous devez fournir l’identité du jeu de données ({DATASET_ID}), l’identité IMS de votre organisation et les règles de filtrage définissant une période spécifique. Un intervalle de temps de filtrage est défini à l’aide de la fonction spark.sql(), où le paramètre de fonction est une chaîne de requête SQL.

Les cellules suivantes filtrent un jeu de données ExperienceEvent par rapport aux données qui existent exclusivement entre le 1er janvier 2019 et la fin du 31 décembre 2019.

// Spark (Spark 2.4)

// Turn off extra logging
import org.apache.log4j.{Level, Logger}
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("com").setLevel(Level.OFF)

import org.apache.spark.sql.{Dataset, SparkSession}
val spark = org.apache.spark.sql.SparkSession.builder().appName("Notebook")
  .master("local")
  .getOrCreate()

// Stage Exploratory
val dataSetId: String = "{DATASET_ID}"
val orgId: String = sys.env("IMS_ORG_ID")
val clientId: String = sys.env("PYDASDK_IMS_CLIENT_ID")
val userToken: String = sys.env("PYDASDK_IMS_USER_TOKEN")
val serviceToken: String = sys.env("PYDASDK_IMS_SERVICE_TOKEN")
val mode: String = "batch"

var df = spark.read.format("com.adobe.platform.query")
  .option("user-token", userToken)
  .option("ims-org", orgId)
  .option("api-key", clientId)
  .option("mode", mode)
  .option("dataset-id", dataSetId)
  .option("service-token", serviceToken)
  .load()
df.createOrReplaceTempView("event")
val timedf = spark.sql("""
    SELECT * 
    FROM event 
    WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
    AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timedf.show()

Étapes suivantes

Ce document couvrait les instructions générales d’accès aux jeux de données à l’aide de notebooks JupyterLab. Pour obtenir des exemples plus détaillés sur l’interrogation des jeux de données, consultez la documentation Query Service dans les notebooks JupyterLab. Pour plus d’informations sur la manière d’explorer et de visualiser vos jeux de données, consultez le document sur l’analyse de vos données à l’aide de notebooks.

Indicateurs SQL facultatifs pour Query Service

Ce tableau décrit les indicateurs SQL facultatifs qui peuvent être utilisés pour Query Service.

Indicateur Description
-h, --help Affichez le message d’aide et fermez-le.
-n, --notify Option d’activation et de désactivation pour la notification des résultats de la requête.
-a, --async L’utilisation de cet indicateur permet d’exécuter la requête de manière asynchrone et de libérer le noyau pendant l’exécution de la requête. Soyez prudent lorsque vous attribuez les résultats de la requête à des variables, car il se peut qu’ils ne soient pas définis si la requête n’est pas terminée.
-d, --display L’utilisation de cet indicateur empêche l’affichage des résultats.

Sur cette page