Сокращение затрат за счет автоматизации процессов в Databricks

У меня возникла потребность у клиента снизить стоимость процессов, выполняемых на Databricks. Одной из функций, за которые отвечала Databricks, был сбор файлов с различных SFTP, их распаковка и размещение в Data Lake.

Автоматизация рабочих процессов с данными — важнейший компонент современной инженерии данных. В этой статье мы рассмотрим, как создать функцию AWS Lambda с использованием GitLab CI/CD и Terraform, которая позволяет приложению Go подключаться к SFTP-серверу, собирать файлы, хранить их в Amazon S3 и, наконец, запускать задание на Databricks. Этот сквозной процесс необходим для систем, которые полагаются на эффективную интеграцию и автоматизацию данных.

Что вам понадобится для этой статьи

• Аккаунт GitLab с репозиторием проекта.
• Учетная запись AWS с разрешениями на создание ресурсов Lambda, S3 и IAM.
• Учетная запись Databricks с разрешениями на создание и запуск заданий.
• Базовые знания Go, Terraform и GitLab CI/CD.

Шаг 1. Подготовка приложения Go

Начните с создания приложения Go, которое будет подключаться к SFTP-серверу для сбора файлов. Используйте такие пакеты, как github.com/pkg/sftp, чтобы установить SFTP-соединение, и github.com/aws/aws-sdk-go для взаимодействия с сервисом AWS S3.

package main

import (
 "fmt"
 "log"
 "os"
 "path/filepath"

 "github.com/pkg/sftp"
 "golang.org/x/crypto/ssh"
 "github.com/aws/aws-sdk-go/aws"
 "github.com/aws/aws-sdk-go/aws/session"
 "github.com/aws/aws-sdk-go/service/s3/s3manager"
)

func main() {
 // Configuração do cliente SFTP
 user := "seu_usuario_sftp"
 pass := "sua_senha_sftp"
 host := "endereco_sftp:22"
 config := &ssh.ClientConfig{
  User: user,
  Auth: []ssh.AuthMethod{
   ssh.Password(pass),
  },
  HostKeyCallback: ssh.InsecureIgnoreHostKey(),
 }

 // Conectar ao servidor SFTP
 conn, err := ssh.Dial("tcp", host, config)
 if err != nil {
  log.Fatal(err)
 }
 client, err := sftp.NewClient(conn)
 if err != nil {
  log.Fatal(err)
 }
 defer client.Close()

 // Baixar arquivos do SFTP
 remoteFilePath := "/path/to/remote/file"
 localDir := "/path/to/local/dir"
 localFilePath := filepath.Join(localDir, filepath.Base(remoteFilePath))
 dstFile, err := os.Create(localFilePath)
 if err != nil {
  log.Fatal(err)
 }
 defer dstFile.Close()

 srcFile, err := client.Open(remoteFilePath)
 if err != nil {
  log.Fatal(err)
 }
 defer srcFile.Close()

 if _, err := srcFile.WriteTo(dstFile); err != nil {
  log.Fatal(err)
 }

 fmt.Println("Arquivo baixado com sucesso:", localFilePath)

 // Configuração do cliente S3
 sess := session.Must(session.NewSession(&aws.Config{
  Region: aws.String("us-west-2"),
 }))
 uploader := s3manager.NewUploader(sess)

 // Carregar arquivo para o S3
 file, err := os.Open(localFilePath)
 if err != nil {
  log.Fatal(err)
 }
 defer file.Close()

 _, err = uploader.Upload(&s3manager.UploadInput{
  Bucket: aws.String("seu-bucket-s3"),
  Key:    aws.String(filepath.Base(localFilePath)),
  Body:   file,
 })
 if err != nil {
  log.Fatal("Falha ao carregar arquivo para o S3:", err)
 }

 fmt.Println("Arquivo carregado com sucesso no S3")
}

Шаг 2. Настройка Terraform

Terraform будет использоваться для предоставления функции Lambda и необходимых ресурсов на AWS. Создайте файл main.tf с конфигурацией, необходимой для создания функции Lambda, политик IAM и сегментов S3.

provider "aws" {
  region = "us-east-1"
}

resource "aws_iam_role" "lambda_execution_role" {
  name = "lambda_execution_role"

  assume_role_policy = jsonencode({
    Version = "2012-10-17",
    Statement = [
      {
        Action = "sts:AssumeRole",
        Effect = "Allow",
        Principal = {
          Service = "lambda.amazonaws.com"
        },
      },
    ]
  })
}

resource "aws_iam_policy" "lambda_policy" {
  name        = "lambda_policy"
  description = "A policy that allows a lambda function to access S3 and SFTP resources"

  policy = jsonencode({
    Version = "2012-10-17",
    Statement = [
      {
        Action = [
          "s3:ListBucket",
          "s3:GetObject",
          "s3:PutObject",
        ],
        Effect = "Allow",
        Resource = [
          "arn:aws:s3:::seu-bucket-s3",
          "arn:aws:s3:::seu-bucket-s3/*",
        ],
      },
    ]
  })
}

resource "aws_iam_role_policy_attachment" "lambda_policy_attachment" {
  role       = aws_iam_role.lambda_execution_role.name
  policy_arn = aws_iam_policy.lambda_policy.arn
}

resource "aws_lambda_function" "sftp_lambda" {
  function_name = "sftp_lambda_function"

  s3_bucket = "seu-bucket-s3-com-codigo-lambda"
  s3_key    = "sftp-lambda.zip"

  handler = "main"
  runtime = "go1.x"

  role = aws_iam_role.lambda_execution_role.arn

  environment {
    variables = {
      SFTP_HOST     = "endereco_sftp",
      SFTP_USER     = "seu_usuario_sftp",
      SFTP_PASSWORD = "sua_senha_sftp",
      S3_BUCKET     = "seu-bucket-s3",
    }
  }
}

resource "aws_s3_bucket" "s3_bucket" {
  bucket = "seu-bucket-s3"
  acl    = "private"
}

Шаг 3. Настройка GitLab CI/CD

В GitLab определите конвейер CI/CD в файле .gitlab-ci.yml. Этот конвейер должен включать шаги по тестированию приложения Go, запуску Terraform для подготовки инфраструктуры и шаг по очистке при необходимости.

stages:
  - test
  - build
  - deploy

variables:
  S3_BUCKET: "seu-bucket-s3"
  AWS_DEFAULT_REGION: "us-east-1"
  TF_VERSION: "1.0.0"

before_script:
  - 'which ssh-agent || ( apt-get update -y && apt-get install openssh-client -y )'
  - eval $(ssh-agent -s)
  - echo "$PRIVATE_KEY" | tr -d '\r' | ssh-add -
  - mkdir -p ~/.ssh
  - chmod 700 ~/.ssh
  - ssh-keyscan -H 'endereco_sftp' >> ~/.ssh/known_hosts

test:
  stage: test
  image: golang:1.18
  script:
    - go test -v ./...

build:
  stage: build
  image: golang:1.18
  script:
    - go build -o myapp
    - zip -r sftp-lambda.zip myapp
  artifacts:
    paths:
      - sftp-lambda.zip
  only:
    - master

deploy:
  stage: deploy
  image: hashicorp/terraform:$TF_VERSION
  script:
    - terraform init
    - terraform apply -auto-approve
  only:
    - master
  environment:
    name: production

Шаг 4. Интеграция с блоками данных

После загрузки файлов в S3 функция Lambda должна запустить задание в Databricks. Это можно сделать с помощью API Databricks для запуска существующих заданий.

package main

import (
 "bytes"
 "encoding/json"
 "fmt"
 "net/http"
)

// Estrutura para a requisição de iniciar um job no Databricks
type DatabricksJobRequest struct {
 JobID int `json:"job_id"`
}

// Função para acionar um job no Databricks
func triggerDatabricksJob(databricksInstance string, token string, jobID int) error {
 url := fmt.Sprintf("https://%s/api/2.0/jobs/run-now", databricksInstance)
 requestBody, _ := json.Marshal(DatabricksJobRequest{JobID: jobID})
 req, err := http.NewRequest("POST", url, bytes.NewBuffer(requestBody))
 if err != nil {
  return err
 }

 req.Header.Set("Content-Type", "application/json")
 req.Header.Set("Authorization", fmt.Sprintf("Bearer %s", token))

 client := &http.Client{}
 resp, err := client.Do(req)
 if err != nil {
  return err
 }
 defer resp.Body.Close()

 if resp.StatusCode != http.StatusOK {
  return fmt.Errorf("Failed to trigger Databricks job, status code: %d", resp.StatusCode)
 }

 return nil
}

func main() {
 // ... (código existente para conectar ao SFTP e carregar no S3)

 // Substitua pelos seus valores reais
 databricksInstance := "your-databricks-instance"
 databricksToken := "your-databricks-token"
 databricksJobID := 123 // ID do job que você deseja acionar

 // Acionar o job no Databricks após o upload para o S3
 err := triggerDatabricksJob(databricksInstance, databricksToken, databricksJobID)
 if err != nil {
  log.Fatal("Erro ao acionar o job do Databricks:", err)
 }

 fmt.Println("Job do Databricks acionado com sucesso")
}

Шаг 5. Запуск конвейера

Отправьте код в репозиторий GitLab для запуска конвейера. Убедитесь, что все шаги выполнены успешно, а функция Lambda работает и правильно взаимодействует с S3 и Databricks.

После того как у вас есть полный код и настроен файл .gitlab-ci.yml, вы можете запустить конвейер, выполнив следующие действия:

• Отправьте свой код в репозиторий GitLab:

  git add .
  git commit -m "Adiciona função Lambda para integração SFTP, S3 e Databricks"
  git push origin master

git add .
git commit -m "Adiciona função Lambda para integração SFTP, S3 e Databricks"
git push origin master
´´´

• GitLab CI/CD обнаружит новый коммит и автоматически запустит конвейер.
• Отслеживайте выполнение конвейера в GitLab, открыв раздел CI/CD вашего репозитория.
• Если все этапы пройдены успешно, ваша функция Lambda будет развернута и готова к использованию.

Помните, что вам нужно будет настроить переменные среды в GitLab CI/CD для хранения конфиденциальной информации, такой как токены доступа и закрытые ключи. Это можно сделать в разделе «Настройки» > «CI/CD» > «Переменные» вашего проекта GitLab.

Кроме того, убедитесь, что токен Databricks имеет необходимые разрешения для запуска заданий и что задание существует с указанным идентификатором.

Заключение

Автоматизацию задач по обработке данных можно значительно упростить с помощью таких инструментов, как GitLab CI/CD, Terraform и AWS Lambda. Выполнив шаги, описанные в этой статье, вы сможете создать надежную систему, которая автоматизирует сбор данных и интеграцию между SFTP, S3 и Databricks, при этом сохраняя эффективность и простоту Go. Благодаря этому подходу вы будете хорошо подготовлены к решению проблем. проблемы интеграции данных в больших масштабах.

Мои контакты:

LinkedIn – Airton Lira Junior

iMasters - Эйртон Лира Джуниор

aws #lambda #terraform #gitlab #ci_cd #go #databricks #dataengineering #automation