Läs data som delas via Databricks till Databricks OpenSharing (för mottagare)

Den här sidan beskriver hur du läser data som delas med dig med databricks-till-Databricks OpenSharing-protokollet , där Databricks hanterar en säker anslutning för datadelning. Till skillnad från OpenSharing-protokollet för öppen delning kräver Databricks-to-Databricks-protokollet ingen fil med autentiseringsuppgifter (tokenbaserad säkerhet).

Databricks-till-Databricks-delning kräver att du som mottagare uppfyller båda följande krav:

• Du har åtkomst till en Databricks-arbetsyta som är aktiverad för Unity Catalog.
• Providern använder Databricks-to-Databricks OpenSharing-protokollet, inte Databricks-to-Open-delningsprotokollet, som ger dig en autentiseringsfil.

Om något av dessa krav inte uppfylls, se Läs data som delas med OpenSharing Databricks-to-Open Sharing med bearertoken.

Hur gör jag för att göra delade data tillgängliga för mitt team?

Om du vill läsa data och anteckningsböcker som har delats med dig med hjälp av Databricks-till-Databricks-protokollet måste du vara användare på en Databricks-arbetsyta som har aktiverat Unity Catalog. En medlem i ditt team ger dataleverantören en unik identifierare för ditt Unity Catalog-metaarkiv, och dataleverantören använder den identifieraren för att skapa en säker delningsanslutning till din organisation. Delade data blir sedan tillgängliga för läsåtkomst på din arbetsyta. Uppdateringar som dataprovidern gör i delade tabeller, vyer, volymer och partitioner återspeglas i din arbetsyta nästan i realtid.

Så här läser du data som har delats med dig:

1. En användare i ditt team hittar resursen – containern för tabeller, vyer, volymer och notebook-filer som har delats med dig – och använder resursen för att skapa en katalog – den översta containern för alla data i Databricks Unity Catalog.
2. En användare i ditt team beviljar eller nekar åtkomst till katalogen och objekten i katalogen (scheman, tabeller, vyer och volymer) till medlemmar i ditt team.
3. Du läser data i tabeller, vyer och volymer som du har fått åtkomst till, precis som alla andra datatillgångar i Databricks som du har skrivskyddad (SELECT eller READ VOLUME) åtkomst till.
4. Du kan förhandsgranska och klona anteckningsböcker i delningen så länge du har behörigheten USE CATALOG i katalogen.

Behörigheter som krävs

För att kunna lista och visa information om alla leverantörer och leverantörsandelar måste du ha behörigheten USE PROVIDER. Andra användare har endast åtkomst till de leverantörer och resurser som de äger.

Om du vill skapa en katalog från en providerresurs måste du vara metaarkivadministratör, en användare som har både behörigheterna CREATE CATALOG och USE PROVIDER för unity-katalogmetaarkivet eller en användare som har både CREATE CATALOG behörighet och ägarskap för providerobjektet.

Möjligheten att bevilja skrivskyddad åtkomst till scheman (databaser), tabeller, vyer och volymer i katalogen som skapats från resursen följer den typiska behörighetshierarkin i Unity Catalog. Möjligheten att visa notebook-filer i katalogen som skapats från resursen kräver behörigheten USE CATALOG för katalogen. Se Hantera behörigheter för scheman, tabeller och volymer i en OpenSharing-katalog.

Komma åt data i en delad tabell eller volym

Så här läser du data i en delad tabell eller volym:

1. En privilegierad användare måste skapa en katalog från resursen som innehåller tabellen eller volymen. Detta kan vara en metaarkivadministratör, en användare som har både behörigheterna CREATE CATALOG och USE PROVIDER för ditt Unity Catalog-metaarkiv eller en användare som har både CREATE CATALOG behörighet och ägarskap för providerobjektet.
2. Den användaren eller en användare med samma behörighet måste ge dig åtkomst till den delade tabellen eller volymen.
3. Du kan komma åt tabellen eller volymen på samma sätt som andra datatillgånger som är registrerade i unity-katalogens metaarkiv.

Skapa en katalog från en delning

Om du vill göra data i en resurs tillgängliga för ditt team måste du skapa en katalog från resursen eller montera resursen i en befintlig delad katalog. Om du vill skapa en katalog från en resurs kan du använda Catalog Explorer, Databricks Unity Catalog CLI eller SQL-kommandon i en Azure Databricks-notebook-fil eller Databricks SQL-frågeredigeraren. Om du vill montera resursen i en befintlig delad katalog kan du använda Katalogutforskaren.

Behörigheter som krävs för att skapa en katalog: En metaarkivadministratör, en användare som har både behörigheterna CREATE CATALOG och USE PROVIDER för ditt Unity Catalog-metaarkiv eller en användare som har både CREATE CATALOG behörighet och ägarskap för providerobjektet.

Behörigheter som krävs för att montera resursen i en befintlig katalog: En användare måste ha USE PROVIDER behörighet eller ha ägarskap för providerobjektet och måste också äga den befintliga delade katalogen eller ha både MANAGE och USE CATALOG behörigheter i den befintliga delade katalogen.

Katalogutforskaren

1. På din Azure Databricks-arbetsyta klickar du på Katalog för att öppna Katalogutforskaren.

2. Längst upp i fönstret Katalog klickar du på kugghjulsikonen och väljer OpenSharing.

   Du kan också klicka på Dela > OpenSharing i det övre högra hörnet.

3. På fliken Delat med mig letar du upp och väljer providern.

4. Hitta önskad resurs och klicka på Montera för att katalogisera på resursraden.

5. Välj Skapa en ny katalog eller Montera i en befintlig katalog för att lägga till datatillgången i en befintlig katalog.

6. Ange ett namn på den nya katalogen eller välj vilken befintlig katalog som resursen ska läggas till i.

7. Klicka på Skapa eller Montera.

När du öppnar Katalogutforskaren kan du också klicka på + > Skapa katalog i det övre högra hörnet för att skapa en delad katalog. Se: Skapa kataloger.

SQL

Kör följande kommando i en notebook-fil eller Databricks SQL-frågeredigeraren.

CREATE CATALOG [IF NOT EXISTS] <catalog-name>
USING SHARE <provider-name>.<share-name>;

CLI

databricks catalogs create <catalog-name> /
--provider-name <provider-name> /
--share-name <share-name>

Katalogen som skapas från en resursdelning är av katalogtypen OpenSharing. Du kan visa typen på sidan kataloginformation i Katalogutforskaren eller genom att köra kommandot DESCRIBE CATALOG SQL i en notebook- eller Databricks SQL-fråga. Alla delade kataloger visas under > i fönstret Katalogutforskaren till vänster.

En OpenSharing-katalog kan hanteras på samma sätt som vanliga kataloger i ett Unity Catalog-metaarkiv. Du kan visa, uppdatera och ta bort en OpenSharing-katalog med hjälp av Catalog Explorer, Databricks CLI och med hjälp SHOW CATALOGSav kommandona , DESCRIBE CATALOG, ALTER CATALOGoch DROP CATALOG SQL.

Namnområdesstrukturen på tre nivåer under en OpenSharing-katalog som skapats från en resurs är densamma som den under en vanlig katalog i Unity Catalog: catalog.schema.table eller catalog.schema.volume.

Tabell- och volymdata under en delad katalog är endast-läsbart, vilket innebär att du kan utföra läsoperationer som:

• DESCRIBE, SHOWoch SELECT för tabeller.
• DESCRIBE VOLUME, LIST <volume-path>, SELECT * FROM <format>.'<volume_path>'och COPY INTO för volymer.

Notebook-filer i en delad katalog kan förhandsgranskas och klonas av alla användare med USE CATALOG i katalogen.

Modeller i en delad katalog kan läsas och läsas in för slutsatsdragning av alla användare med följande behörigheter: EXECUTE behörighet för den registrerade modellen samt USE SCHEMAUSE CATALOG behörigheter för schemat och katalogen som innehåller modellen.

Hantera behörigheter för scheman, tabeller och volymer i en OpenSharing-katalog

Som standard är katalogskaparen ägare till alla dataobjekt under en OpenSharing-katalog och kan hantera behörigheter för någon av dem.

Behörigheter ärvs neråt, även om vissa arbetsytor fortfarande använder den gamla säkerhetsmodellen som inte stödde arv. Se Rättighetsarv. Alla användare som beviljats behörigheten SELECT i katalogen har behörighet för SELECT alla scheman och tabeller i katalogen om inte behörigheten återkallas. På samma sätt har alla användare som beviljats READ VOLUME behörigheten i katalogen behörighet för READ VOLUME alla volymer i katalogen om inte behörigheten återkallas. Du kan inte bevilja behörigheter som ger skriv- eller uppdateringsåtkomst till en OpenSharing-katalog eller objekt i en OpenSharing-katalog.

Katalogägaren kan delegera ägarskapet för dataobjekt till andra användare eller grupper, vilket ger dessa användare möjlighet att hantera objektbehörigheter och livscykeln.

Detaljerad information om hur du hanterar behörigheter för dataobjekt med hjälp av Unity Catalog finns i Hantera privilegier i Unity Catalog.

Läsa data i en delad tabell

Du kan läsa data i en delad tabell med något av de verktyg som är tillgängliga för dig som Azure Databricks-användare: Catalog Explorer, notebook-filer, SQL-frågor, Databricks CLI och Databricks REST-API:er. Du måste ha behörigheten SELECT i tabellen.

Om providern har delat tabellen WITH HISTORYkan du köra transaktioner i tabellen. Mer information om transaktionskrav och begränsningar finns i Transaktioner.

Läsa data i en delad utlandstabell eller ett externt schema

Du kan läsa data i en delad sekundär tabell eller ett externt schema med något av de verktyg som är tillgängliga för dig som Azure Databricks-användare: Catalog Explorer, notebook-filer, SQL-frågor, Databricks CLI och Databricks REST-API:er. Du måste ha privilegiet SELECT på den delade externa tabellen eller det delade externa schemat.

Du kan köra transaktioner på delade utländska tabeller. Se transaktionskrav och begränsningar.

Det finns ytterligare kostnader vid åtkomst till en delad sekundärtabell eller ett externt schema. Mer information om hur kostnader för delning beräknas finns i Hur debiteras jag för och kontrollerar OpenSharing-kostnader?.

Begränsningar: Du kan inte kringgå klusterbegränsningar för att läsa delade sekundärtabeller, även om providern tillåter det.

Läsa data i en delad utländsk isbergstabell

Du kan läsa data i en delad sekundär Iceberg-tabell med något av de verktyg som är tillgängliga för dig som Azure Databricks användare: Catalog Explorer, notebook-filer, SQL-frågor, Databricks CLI och Databricks REST-API:er. I Katalogutforskaren visas en delad utländsk isbergstabell med tabelltypen Foreign och ett datakällformat för Iceberg.

Du har åtkomst till källans Isbergsplats men kan bara utföra följande typer av frågor:

• Frågor om ögonblicksbilder
• Strömmande frågekommandon

Krav:

• Du måste ha privilegiet SELECT på den delade externa Iceberg-tabellen.
• Du måste använda Databricks Runtime 15.4 LTS eller senare.

Läsa data på en delad volym

Du kan läsa data i en delad volym med något av de verktyg som är tillgängliga för dig som Azure Databricks-användare: Catalog Explorer, notebook-filer, SQL-frågor, Databricks CLI och Databricks REST-API:er. Du måste ha behörigheten READ VOLUME på volymen.

Läsa ABAC-skyddade data och tillämpa ABAC-principer

Attributbaserad åtkomstkontroll (ABAC) är en datastyrningsmodell som ger flexibel, skalbar och centraliserad åtkomstkontroll i Azure Databricks.

Skapa ABAC-principer för delade tabeller, scheman och kataloger som skapats från en delning. Materialiserade vyer stöds med begränsningar. Du kan inte skapa ABAC-principer för delade direktuppspelningstabeller eller materialiserade vyer. Information om hur du konfigurerar ABAC-principer finns i Skapa och hantera principer för radfilter och kolumnmask.

Läsa kolumner för radspårning i delade tabeller

Om dataleverantören har aktiverat radspårning i en delad tabell kan du fråga efter metadatakolumnerna för radspårning. En lista över tillgängliga kolumner finns i Radspårning i Databricks .

Hur du kommer åt dessa kolumner beror på vilken typ av tabell som delas:

• Tabeller som delas med historik och utan partitionsfilter: Du kan köra frågor mot radspårningskolumner utan begränsningar.

• Tabeller med partitionsfilter eller tabeller som delas utan historik: Du måste använda Scala Spark och uttryckligen ange responseFormat alternativet till delta.

  spark.read.option(“responseformat”, “delta”).table(“shared_table”).select(“_metadata.row_id”).show()
  

Läsa in en delad modell för slutsatsdragning

Mer information om hur du läser in en delad modell och använder den för batchinferens finns i Läsa in modellversion efter alias för slutsatsdragningsarbetsbelastningar.

Fråga efter en tabells historikdata

Om historiken delas tillsammans med tabellen kan du fråga tabelldata från och med en version eller tidsstämpel. Kräver Databricks Runtime 12.2 LTS eller senare.

Ett exempel:

SELECT * FROM vaccine.vaccine_us.vaccine_us_distribution VERSION AS OF 3;
SELECT * FROM vaccine.vaccine_us.vaccine_us_distribution TIMESTAMP AS OF "2023-01-01 00:00:00";

Om ändringsdataflödet (CDF) dessutom är aktiverat för tabellen kan du göra frågor i CDF. Både version och tidsstämpel stöds:

SELECT * FROM table_changes('vaccine.vaccine_us.vaccine_us_distribution', 0, 3);
SELECT * FROM table_changes('vaccine.vaccine_us.vaccine_us_distribution', "2023-01-01 00:00:00", "2022-02-01 00:00:00");

Mer information om ändringsdataflöde finns i Använda ändringsdataflöde på Azure Databricks.

Ställa frågor mot en tabell med Apache Spark Structured Streaming

Om en tabell delas med historik kan du använda den som källa för Spark Structured Streaming. Kräver Databricks Runtime 12.2 LTS eller senare.

Alternativ som stöds:

• ignoreDeletes: Ignorera transaktioner som tar bort data.
• ignoreChanges: Bearbeta uppdateringar igen om filer skrevs om i källtabellen på grund av en dataförändringsåtgärd som UPDATE, MERGE INTO, DELETE (inom partitioner) eller OVERWRITE. Oförändrade rader kan fortfarande sändas ut. Därför bör nedströmskonsumenterna kunna hantera dubbletter. Raderingar sprids inte nedströms. ignoreChanges inkluderar ignoreDeletes. Om du använder ignoreChangesstörs därför inte dataströmmen av borttagningar eller uppdateringar av källtabellen.
• startingVersion: Den delade tabellversion som ska startas från. Alla tabelländringar från och med den här versionen (inklusive) kommer att läsas av strömningskällan.
• startingTimestamp: Tidsstämpeln som ska startas från. Alla tabelländringar som har genomförts vid eller efter tidsstämpeln (inklusive) kommer att läsas av strömningens källa. Exempel: "2023-01-01 00:00:00.0"
• maxFilesPerTrigger: Antalet nya filer som ska beaktas i varje mikrobatch.
• maxBytesPerTrigger: Mängden data som bearbetas i varje mikrobatch. Det här alternativet anger ett "mjukt maxvärde", vilket innebär att en batch bearbetar ungefär den här mängden data och kan bearbeta mer än gränsen för att få strömningsfrågan att gå framåt i de fall då den minsta indataenheten är större än den här gränsen.
• readChangeFeed: Stream läser ändringsdataflödet för den delade tabellen.

Alternativ som inte stöds:

• Trigger.availableNow

Exempel på strukturerade strömningsfrågor

Scala

spark.readStream.format("deltaSharing")
.option("startingVersion", 0)
.option("ignoreChanges", true)
.option("maxFilesPerTrigger", 10)
.table("vaccine.vaccine_us.vaccine_us_distribution")

Python

spark.readStream.format("deltaSharing")\
.option("startingVersion", 0)\
.option("ignoreDeletes", true)\
.option("maxBytesPerTrigger", 10000)\
.table("vaccine.vaccine_us.vaccine_us_distribution")

Om ändringsdataflöde (CDF) är aktiverat med tabellen kan du strömma läsningen av CDF.

spark.readStream.format("deltaSharing")
.option("readChangeFeed", "true")
.table("vaccine.vaccine_us.vaccine_us_distribution")

Använda radfilter och kolumnmasker

Information om hur du använder radfilter och kolumnmasker på tabeller och sekundärtabeller som delas av dataprovidern finns i Tillämpa radfilter och kolumnmasker manuellt. Du kan inte använda kolumnmasker för strömmande tabeller eller materialiserade vyer.

Läs tabeller med borttagningsvektorer eller kolumnmappning aktiverat

Borttagningsvektorer är en funktion för lagringsoptimering som leverantören kan aktivera i delade Delta-tabeller. Se Borttagningsvektorer i Databricks.

Azure Databricks stöder även kolumnmappning för Delta-tabeller. Se Byt namn på och ta bort kolumner med kolumnmappning i Delta Lake.

Om providern har delat en tabell med borttagningsvektorer eller kolumnmappning aktiverat kan du utföra batchläsningar i tabellen med hjälp av ett SQL-lager eller ett kluster som kör Databricks Runtime 14.1 eller senare. CDF- och strömningsfrågor kräver Databricks Runtime 14.2 eller senare.

Du kan utföra batchfrågor som de är, eftersom de automatiskt kan lösas baserat på tabellfunktionerna i den delade tabellen.

Om du vill läsa en cdf (change data feed) eller utföra strömmande frågor på delade tabeller med borttagningsvektorer eller kolumnmappning aktiverat måste du ange det ytterligare alternativet responseFormat=delta.

I följande exempel visas frågor om batch, CDF och strömning:

import org.apache.spark.sql.SparkSession

// Batch query
spark.read.format("deltaSharing").table(<tableName>)

// CDF query
spark.read.format("deltaSharing")
  .option("readChangeFeed", "true")
  .option("responseFormat", "delta")
  .option("startingVersion", 1)
  .table(<tableName>)

// Streaming query
spark.readStream.format("deltaSharing").option("responseFormat", "delta").table(<tableName>)

Läsa delade hanterade Iceberg-tabeller

Läsning av delade hanterade isbergstabeller är detsamma som att läsa delade tabeller, med följande undantag:

Stöd för Databricks-till-Open-delning:

Anvisningarna i den här artikeln fokuserar på att läsa delade data med hjälp av Azure Databricks användargränssnitt, särskilt Unity Catalogs syntax och gränssnitt. På grund av begränsningar i det avancerade stödet för Delta-funktioner för OpenSharing-anslutningar stöds det inte att köra frågor mot delade hanterade Iceberg-tabeller med Python, Tableau och Power BI.

Ändra dataflöde:

Ändringsdataflöde stöds inte för hanterade isbergstabeller.

Begränsningar för Azure Databricks Iceberg:

Begränsningar för isbergstabeller och hanterade isbergstabeller gäller. Se Begränsningar.

Läsa delade vyer

Att läsa delade vyer är detsamma som att läsa delade tabeller, med följande undantag:

Begränsningar för delade vyer:

• Delade vyer stöder endast en delmängd av inbyggda funktioner och operatorer i Databricks. Se Funktioner som stöds i Databricks-till-Databricks-vydelning.
• Mottagare kan inte fråga fler än 20 delade vyer i en fråga i Databricks-till-Databricks-delning. Delade vyer kan inte komma från fler än fem olika provider-andelar.
• När leverantören kommer från samma konto, eller när du använder serverlös beräkning i ett annat konto, kan du inte fråga flera beroende vyer från samma leverantör i en enda fråga. Till exempel, om view1 är beroende av view2 på leverantörens sida och båda vyerna delas med dig kan du inte referera till både view1 och view2 i samma frågeställning.
• Du kan köra transaktioner i delade vyer. Se transaktionskrav och begränsningar.

Namngivningskrav:

Katalognamnet som du använder för den delade katalogen som innehåller vyn kan inte vara samma som någon providerkatalog som innehåller en tabell som refereras av vyn. Om den delade vyn till exempel finns i katalogen test och en av providerns tabeller som refereras i den vyn finns i providerns test katalog resulterar frågan i ett namnområdeskonfliktfel. Se Skapa en katalog från en delning.

Tidsgräns för frågeresultat:

Om du inte har direkt åtkomst till underliggande data, utför Azure Databricks omedelbar materialisering när du kör frågor mot vyn. När den här materialiseringen tar längre tid än 5 minuter överskrider frågan tidsgränsen. Växla till serverlös beräkning för att undvika den här begränsningen.

Historik och strömning:

Du kan inte göra sökningar i historiken eller använda en vy som en strömningskälla.

Visa stöd i Databricks-to-Open-delning:

Anvisningarna i den här artikeln fokuserar på att läsa delade data med hjälp av Azure Databricks användargränssnitt, särskilt Unity Catalogs syntax och gränssnitt. Du kan också köra frågor mot delade vyer med hjälp av Apache Spark-, Python- och BI-verktyg som Tableau och Power BI.

Costs:

Mer information om hur kostnader för delning beräknas finns i Hur debiteras jag för och kontrollerar OpenSharing-kostnader?.

Läsa delade strömmande tabeller och materialiserade vyer

Läsning av delade direktuppspelningstabeller och materialiserade vyer är detsamma som att läsa delade tabeller, med följande undantag:

Stöd för Databricks-till-Open-delning:

Anvisningarna på den här sidan fokuserar på att läsa delade data med hjälp av Azure Databricks användargränssnitt, särskilt Unity Catalog-syntax och gränssnitt. Du kan också köra frågor mot delade strömningstabeller och materialiserade vyer med hjälp av Apache Spark-, Python- och BI-verktyg som Tableau och Power BI. Se Läsa data som delas med OpenSharing Databricks-to-Open-delning med ägartoken.

Transaktioner:

• Du kan köra transaktioner på delade materialiserade vyer och strömmande tabeller. Se transaktionskrav och begränsningar.

SQL-begränsningar:

• Funktionen current_recipient stöds inte.
• Kommandot DESCRIBE EXTENDED stöds inte.

Kolumnmappning:

Om du använder klassisk beräkning när du tar emot en resurs från ett annat Azure Databricks konto måste du ange responseFormat som nedan när du frågar efter en materialiserad vy eller strömmande tabeller med kolumnmappning.

spark.read.option("responseFormat", "delta").table("catalog_name.schema_name.mv_name")

Om du använder klassisk beräkning när du delar på samma Azure Databricks-konto eller serverlös beräkning i alla scenarion kan du fråga utan begränsningar.

Costs:

Mer information om hur kostnader för delning beräknas finns i Hur debiteras jag för och kontrollerar OpenSharing-kostnader?.

Materialiserade vyspecifika undantag

History:

Du kan inte fråga om historien.

Refresh:

Du kan inte komma åt uppdateringsstatusen och uppdateringsschemat för den materialiserade vyn.

Skapa visnings- och strömningstabeller:

Du kan inte skapa strömmande tabeller i delade materialiserade vyer.

Specifika undantag för direktuppspelningstabell

History:

Frågehistoriken är tillgänglig vid följande Databricks-till-Databricks-delningar:

• Du använder serverlös beräkning när du delar med ett annat Azure Databricks-konto.

• Du använder serverlös eller klassisk beräkning när du delar på samma Azure Databricks-konto.

Mer information om olika beräkningar finns i Beräkning.

Refresh:

Du kan inte komma åt uppdateringsstatusen och uppdateringsschemat för den strömmande tabellen.

Läs delad Python UDF:er

Att läsa delade Python UDF:er är detsamma som läsning av delade tabeller. När du har skapat en ny katalog för resursen eller monterat resursen i en befintlig katalog kan du komma åt och använda Python UDF.

Läs delat innehållFeatureSpecs

Att läsa delade FeatureSpecs är detsamma som att läsa delade tabeller. När du har skapat en ny katalog för den delade resursen eller monterat den delade resursen i en befintlig katalog kan du distribuera FeatureSpec till önskad tjänstslutpunkt. Information om hur du skapar en slutpunkt finns i Skapa en slutpunkt.

Om leverantören uppdaterar FeatureSpec med ett nytt beroende, men inte delar beroendet med dig, misslyckas din modell. Kontakta dataleverantören för att söka efter nya beroenden.

** Innan du tillhandahåller FeatureSpec, måste du skapa en webbutik och publicera de beroende tabellerna på din arbetsyta. Information om hur du skapar onlinebutiker och publicerar tabellen finns i Databricks Online Feature Stores.

Läsa delade anteckningsböcker

Om du vill förhandsgranska och klona delade notebook-filer kan du använda Katalogutforskaren.

Lagringsbegränsning: Om ditt lagringsutrymme använder privata slutpunkter kan du inte läsa delade notebook-filer.

Behörigheter som krävs: Katalogägare eller användare med behörigheten USE CATALOG för katalogen som skapats från resursen.

1. På din Azure Databricks-arbetsyta klickar du på Katalog.

2. I den vänstra rutan expanderar du menyn Katalog , letar upp och väljer katalogen som skapats från resursen.

3. På fliken Andra tillgångar visas alla delade notebook-filer.

4. Klicka på namnet på en delad notebook-fil för att förhandsgranska den.

5. (Valfritt) Klicka på knappen Klona för att importera den delade notebook-filen till din arbetsyta.

   1. I dialogrutan Klona till kan du ange ett Nytt namn och sedan välja den arbetsytemapp som du vill klona notebook-filen till.
   2. Klicka på Klona.
   3. När anteckningsfilen har klonats visas en dialogruta som informerar dig om att kloningen har lyckats. Klicka på Visa i anteckningsboksredigeraren i dialogrutan för att visa den i anteckningsboksredigeraren.

   Se Databricks notebooks.

Demontera en resurs

Demontera en resurs för att ta bort datatillgången från katalogen.

Behörigheter som krävs: Användare med behörigheterna USE CATALOG och MANAGE i den delade katalogen.

1. På din Azure Databricks-arbetsyta klickar du på Katalog för att öppna Katalogutforskaren.

2. Längst upp i fönstret Katalog klickar du på kugghjulsikonen och väljer OpenSharing.

   Du kan också klicka på Dela > OpenSharing i det övre högra hörnet.

3. På fliken Delat med mig letar du upp och väljer providern.

4. Klicka på På delaraden.

5. Klicka på Avmontera resurs.

6. Klicka på Mata ut.