Håndtering af Filer i Arbejdsområdet

En af de første ting, du skal lære, er, at Databricks har "to sider af huset." Den ene side er til dit arbejde – dine scripts og notesbøger. Den anden side er til de faktiske data, du analyserer. At forstå, hvor hver del hører til, vil spare dig for meget frustration, når du begynder at skrive kode.

Workspace-filer: Hvor din kode ligger

Når du klikker på Workspace-fanen i sidepanelet, ser du et filsystem for din logik.

• Her opretter du mapper, undermapper og notesbøger.
• Du kan også gemme ikke-notesbogsfiler her, såsom små Python-scripts eller kravfiler.
• Vigtigt: dette er ikke "datatabeller." Du gemmer ikke en 100GB CSV-fil her. Dette område er til din intellektuelle ejendom – koden, der fortæller Databricks, hvad det skal gøre.

Kataloget: Hvor dine data er placeret

Når du vil se dine data, går du til fanen Catalog. Tidligere var Databricks stærkt afhængig af noget, der hedder DBFS (Databricks File System). Selvom du stadig kan støde på referencer til DBFS i ældre dokumentation, betragtes det nu som en forældet tilgang.

I dag bruger vi Catalog (drevet af Unity Catalog). Dette giver en struktureret, "SQL-lignende" måde at se dine data på:

• Unity Catalogs: en logisk gruppering (f.eks. production_data eller marketing_data) af skemaer;
• Schemas (eller Databases): en måde at organisere tabeller inden for et katalog samt Volumes (se nedenfor), ML-modeller og funktioner;
• Tables: de faktiske rækker og kolonner, du vil forespørge.

Volumener: Håndtering af rå filer

Nogle gange har du data, der endnu ikke er en tabel – som en rå CSV-fil eller en billedfil. I det moderne Databricks-brugerinterface gemmes disse i Volumener. Tænk på et Volume som en bro mellem den gamle "mappe"-tankegang og den nye, sikre "Katalog"-tankegang. Du kan gennemse disse volumener direkte i Katalog-brugerfladen for at se dine rå filer, før de indlæses i tabeller.

Hvorfor er denne sondring vigtig?

Det handler om Sikkerhed og Ydeevne. Ved at holde kode i Workspace og data i Catalog kan Databricks-administratorer give en bruger tilladelse til at redigere en notebook uden nødvendigvis at give adgang til følsomme data i en tabel. Denne "adskillelse af ansvarsområder" er det, der gør Databricks til en platform i virksomhedsklassen.