# Перевод вашего проекта dbt Databricks в продакшн

[Назад к гайдам](https://docs.getdbt.tech/guides.md)

[Menu ]()



## Введение

Добро пожаловать в третью часть нашей подробной серии об оптимизации и развертывании конвейеров данных с помощью Databricks и dbt. В этом руководстве мы подробно рассмотрим, как сделать эти модели доступными конечным пользователям, применяя лучшие практики, чтобы данные в вашей производственной среде оставались надежными и своевременно обновлялись.

### Предварительные требования

Если у вас нет каких-либо из следующих требований, обратитесь к инструкциям в [Настройка вашего проекта dbt с Databricks](https://docs.getdbt.tech/guides/set-up-your-databricks-dbt-project.md) для помощи в их выполнении:

* Вы [настроили проект dbt для работы с Databricks](https://docs.getdbt.tech/guides/set-up-your-databricks-dbt-project.md).
* Вы [оптимизировали модели dbt для максимальной производительности](https://docs.getdbt.tech/guides/optimize-dbt-models-on-databricks.md).
* Вы создали два каталога в Databricks: *dev* и *prod*.
* Вы создали субъект-службу (Service Principal) в Databricks для выполнения заданий в production.
* У вас есть хотя бы одна [среда развертывания](https://docs.getdbt.tech/docs/deploy/deploy-environments.md) в dbt.

Чтобы начать, давайте вернемся к среде развертывания, созданной для ваших данных в продакшене.

### Среды развертывания

В программной инженерии среды играют ключевую роль, позволяя инженерам разрабатывать и тестировать код, не влияя на конечных пользователей их программного обеспечения. Аналогично, вы можете проектировать [data lakehouses](https://www.databricks.com/product/data-lakehouse) с отдельными средами. *Продакшн* среда включает в себя отношения (схемы, таблицы и представления), которые запрашивают или используют конечные пользователи, обычно в BI инструменте или модели ML.

В dbt [окружения](https://docs.getdbt.tech/docs/dbt-platform-environments.md) бывают двух типов:

* Окружение развертывания — определяет настройки, используемые для выполнения заданий, созданных в этом окружении.
* Окружение разработки — определяет настройки, используемые в Studio IDE для конкретного проекта dbt.

В каждом проекте dbt может быть несколько окружений развертывания, но только одно окружение разработки на пользователя.

## Создание и планирование продакшн задачи

С вашей настроенной средой развертывания пришло время создать продакшн задачу для выполнения в вашей *prod* среде.

Для развертывания наших рабочих процессов преобразования данных мы будем использовать [встроенный планировщик заданий dbt](https://docs.getdbt.tech/docs/deploy/deploy-jobs.md). Планировщик заданий разработан специально для упрощения развертывания и запуска проектов dbt, чтобы вы могли легко создавать, отслеживать и эффективно изменять свои конвейеры данных.

Использование планировщика заданий dbt позволяет командам по работе с данными полностью управлять рабочим процессом преобразования. Вам не нужно изучать и поддерживать дополнительные инструменты оркестрации или полагаться на другую команду для запуска написанного вашей командой кода по расписанию. Такой полный контроль упрощает процесс развертывания и ускоряет выпуск новых продуктов на основе данных.

Давайте [создадим задание](https://docs.getdbt.tech/docs/deploy/deploy-jobs.md#create-and-schedule-jobs) в dbt, которое будет преобразовывать данные в нашем каталоге *prod* в Databricks.

1. Создайте новую задачу, нажав **Deploy** в заголовке, затем **Jobs** и **Create job**.

2. **Назовите** задачу “Ежедневное обновление”.

3. Установите **Environment** на вашу *production* среду.

   * Это позволит задаче наследовать каталог, схему, учетные данные и переменные среды, определенные в [Настройка вашего проекта dbt с Databricks](https://docs.getdbt.tech/guides/set-up-your-databricks-dbt-project.md).

4. В разделе **Execution Settings**

   * Установите флажок **Generate docs on run**, чтобы настроить задачу на автоматическую генерацию документации проекта каждый раз, когда эта задача выполняется. Это обеспечит актуальность вашей документации по мере добавления и изменения моделей.
   * Выберите флажок **Run on source freshness**, чтобы настроить dbt [source freshness](https://docs.getdbt.tech/docs/deploy/source-freshness.md) как первый шаг этой задачи. Ваши источники должны быть настроены на [снимок информации о свежести](https://docs.getdbt.tech/docs/build/sources.md#source-data-freshness), чтобы это давало значимые инсайты.

   Добавьте следующие три **Commands:**

   * `dbt source freshness`
     * Это проверит, не устарели ли какие-либо источники. Мы не хотим пересчитывать модели с данными, которые не изменились с момента нашего последнего запуска.
   * `dbt test --models source:*`
     * Это проверит качество данных наших исходных данных, например, убедится, что поля ID уникальны и не пусты. Мы не хотим, чтобы плохие данные попадали в продакшн модели.
   * `dbt build --exclude source:* --fail-fast`

* dbt build эффективнее, чем отдельный запуск команд dbt run и dbt test, поскольку сначала выполняет каждую модель, а затем тестирует её, прежде чем продолжить.

  * Мы исключаем исходные данные, поскольку уже протестировали их на шаге 2.
  * Флаг fail-fast заставляет dbt немедленно завершить работу, если не удаётся собрать хотя бы один ресурс. Если в момент сбоя первой модели другие модели ещё выполняются, dbt закроет соединения для этих моделей.

5. В разделе **Triggers** используйте переключатель, чтобы настроить [запуск задания по расписанию](https://docs.getdbt.tech/docs/deploy/deploy-jobs.md#schedule-days). Вы можете указать конкретные дни и время или создать собственное расписание cron.

   * Если вы хотите, чтобы запуск задания dbt по расписанию выполнялся другим оркестратором, например Databricks Workflows, см. раздел [Дополнительные рекомендации](#pairing-dbt-docs-and-unity-catalog) ниже.

6. В разделе **Triggers** с помощью переключателя настройте ваш job на [запуск по расписанию](https://docs.getdbt.tech/docs/deploy/deploy-jobs.md#schedule-days). Вы можете указать конкретные дни и время либо создать собственное cron-расписание.

   * Если вы хотите, чтобы ваш job в запускался другим оркестратором, например Databricks Workflows, см. раздел [Advanced Considerations](#pairing-dbt-docs-and-unity-catalog) ниже.

Это всего лишь один пример списка команд "все или ничего", предназначенного для минимизации потерь вычислительных ресурсов. [Список команд задач](https://docs.getdbt.tech/docs/deploy/job-commands.md) и [селекторы](https://docs.getdbt.tech/reference/node-selection/syntax.md) предоставляют большую гибкость в том, как будет выполняться ваш DAG. Вы можете захотеть спроектировать свой так, чтобы продолжать выполнение определенных моделей, если другие не удаются. Вы можете захотеть настроить несколько задач для обновления моделей с разной частотой. См. наш [Job Creation Best Practices discourse](https://discourse.getdbt.com/t/job-creation-best-practices-in-dbt-cloud-feat-my-moms-lasagna/2980) для получения дополнительных предложений по проектированию задач.

После того как ваша задача настроена и успешно выполняется, настройте ваши **[артефакты проекта](https://docs.getdbt.tech/docs/deploy/artifacts.md)**, чтобы эта задача информировала ваш сайт документации продакшн и панель данных источников, к которым можно получить доступ из пользовательского интерфейса.

Это будет наша основная продакшн задача для обновления данных, которые будут использоваться конечными пользователями. Еще одна задача, которую все должны включить в свой проект dbt, это задача непрерывной интеграции.

CI/CD, или непрерывная интеграция и непрерывное развёртывание/доставка, стала стандартной практикой в разработке программного обеспечения, позволяющей быстро выпускать новые функции и исправления ошибок, сохраняя высокое качество и стабильность. dbt позволяет применять эти практики к преобразованиям данных.

Приведённые ниже шаги показывают, как создать CI-тест для вашего проекта dbt. CD в dbt не требует дополнительных действий, поскольку ваши задания автоматически подхватывают последние изменения из ветки, назначенной среде, в которой выполняется задание. В зависимости от вашей стратегии развёртывания вы можете добавить дополнительные шаги. Если вы хотите подробнее узнать о вариантах CD, ознакомьтесь с [этой статьёй о внедрении CI/CD с помощью dbt](https://www.getdbt.com/blog/adopting-ci-cd-with-dbt-cloud/).

Ниже описаны шаги по созданию CI‑теста для вашего dbt‑проекта. CD в не требует дополнительных шагов, так как ваши jobs автоматически подхватывают последние изменения из ветки, назначенной среде, в которой выполняется job. В зависимости от вашей стратегии развертывания вы можете добавить дополнительные шаги. Если вы хотите глубже разобраться в вариантах CD, ознакомьтесь с [этой статьей в блоге о внедрении CI/CD с помощью ](https://www.getdbt.com/blog/adopting-ci-cd-with-dbt-cloud/).

dbt позволяет писать [data tests](https://docs.getdbt.tech/docs/build/data-tests.md) для вашего data pipeline, которые можно запускать на каждом этапе процесса, чтобы обеспечить стабильность и корректность преобразований данных. Основные места, где вы будете использовать dbt‑тесты, следующие:

1. **Ежедневные запуски:** Регулярное выполнение тестов на вашем конвейере данных помогает выявлять проблемы, вызванные плохими исходными данными, обеспечивая качество данных, которые достигают ваших пользователей.
2. **Разработка**: Выполнение тестов во время разработки гарантирует, что изменения в вашем коде не нарушают существующие предположения, позволяя разработчикам быстрее итеративно работать, выявляя проблемы сразу после написания кода.
3. **Проверки CI**: Автоматизированные задачи CI выполняют и тестируют ваш конвейер от начала до конца, когда создается запрос на слияние, обеспечивая уверенность разработчикам, рецензентам кода и конечным пользователям, что предлагаемые изменения надежны и не вызовут сбоев или проблем с качеством данных.

* Каталог с именем *test*
* Субъект-служба (service principal) с именем *dbt\_test\_sp*
* Новая среда dbt с именем *test*, которая по умолчанию использует каталог *test* и токен *dbt\_test\_sp* в учетных данных развертывания

Мы рекомендуем настроить CI-задание в dbt. Это сократит время выполнения задания за счет запуска и тестирования только измененных моделей, что также снизит затраты на вычислительные ресурсы в lakehouse. Подробные инструкции по созданию CI-задания см. в разделе [Настройка CI-заданий](https://docs.getdbt.tech/docs/deploy/ci-jobs.md).

Мы рекомендуем настроить CI‑задачу в . Это позволит сократить время выполнения задач за счет запуска и тестирования только изменённых моделей, а также снизить вычислительные затраты в lakehouse. Подробные инструкции по созданию CI‑задачи см. в разделе [Set up CI jobs](https://docs.getdbt.tech/docs/deploy/ci-jobs.md).

С тестами dbt и SlimCI вы можете быть уверены, что ваши данные в продакшене будут своевременными и точными, даже при высокой скорости доставки.

Внимательное наблюдение за заданиями dbt крайне важно для поддержания надежного и эффективного конвейера данных. Отслеживая производительность заданий и быстро выявляя потенциальные проблемы, вы можете обеспечить бесперебойное выполнение преобразований данных. dbt предоставляет три способа отслеживания состояния проекта: историю запусков, монитор развертывания и плитки состояния.

Панель [истории запусков](https://docs.getdbt.tech/docs/deploy/run-visibility.md#run-history) в dbt предоставляет подробную информацию обо всех запусках заданий вашего проекта и различные фильтры, которые помогают сосредоточиться на нужных аспектах. Это отличный инструмент для разработчиков, которым нужно проверить недавние запуски, убедиться в корректности результатов ночных запусков или отследить ход выполнения текущих заданий. Чтобы открыть эту панель, выберите **Run History** в меню **Deploy**.

Монитор развертывания в dbt предоставляет сводное представление истории запусков, позволяя оценить состояние конвейера данных за продолжительный период времени. Он содержит информацию о длительности запусков и доле успешных запусков, что позволяет выявлять тенденции в работе заданий, например увеличение времени выполнения или более частые сбои. Монитор развертывания также выделяет выполняющиеся задания, задания в очереди и недавние сбои. Чтобы открыть монитор развертывания, нажмите на логотип dbt в левом верхнем углу интерфейса dbt.

Мониторинг деплоев в предоставляет более высокоуровневое представление истории запусков и позволяет оценить состояние вашего конвейера данных за более длительный период времени. Эта функция включает информацию о длительности запусков и показателях успешности, что помогает выявлять тенденции в производительности заданий, например, рост времени выполнения или увеличение числа сбоев. Мониторинг деплоев также подсвечивает выполняющиеся задания, задания в очереди и недавние ошибки. Чтобы открыть мониторинг деплоев, нажмите на логотип dbt в левом верхнем углу интерфейса .

[![Монитор развертывания показывает статус задач с течением времени в разных средах](/img/guides/databricks-guides/deployment_monitor_dbx.png?v=2 "Монитор развертывания показывает статус задач с течением времени в разных средах")](#)Монитор развертывания показывает статус задач с течением времени в разных средах

Добавляя **[data health tiles](https://docs.getdbt.tech/docs/explore/data-tile.md)** в ваши BI-дашборды, вы даёте стейкхолдерам наглядное представление о состоянии вашего data pipeline, не заставляя их покидать привычный интерфейс. Data tiles повышают доверие к данным и помогают избежать лишних вопросов или необходимости переключаться между инструментами. Чтобы реализовать status tiles на дашбордах, у вас должна быть настроена документация dbt с определёнными **[exposures](https://docs.getdbt.tech/docs/build/exposures.md)**.

Настройка [уведомлений](https://docs.getdbt.tech/docs/deploy/job-notifications.md) в dbt позволяет получать оповещения по электронной почте или в канале Slack при каждом завершении запуска. Это гарантирует, что соответствующие команды получат уведомления и смогут оперативно принять меры, если задания завершатся с ошибкой или будут отменены. Чтобы настроить уведомления:

1. Перейдите в настройки вашего проекта dbt.
2. Выберите вкладку **Notifications**.
3. Выберите нужный тип уведомлений (Email или Slack) и настройте соответствующие параметры.

Если вам нужны уведомления через другие каналы, помимо электронной почты или Slack, вы можете использовать функцию исходящих [вебхуков](https://docs.getdbt.tech/docs/deploy/webhooks.md) в dbt для передачи событий заданий в другие инструменты. Вебхуки позволяют интегрировать dbt с широким спектром SaaS-приложений, распространяя автоматизацию вашего пайплайна на другие системы.

Если вам требуются уведомления через другие каналы, помимо электронной почты или Slack, вы можете использовать функцию исходящих [webhooks](https://docs.getdbt.tech/docs/deploy/webhooks.md) в для передачи событий заданий в другие инструменты. Webhooks позволяют интегрировать с широким спектром SaaS‑приложений, расширяя автоматизацию вашего пайплайна на другие системы.

## Устранение неполадок

Пять основных шагов для устранения проблем с dbt:

1. Прочитайте сообщение об ошибке: сообщения об ошибках dbt обычно указывают тип ошибки и файл, в котором возникла проблема.

2. Изучите проблемный файл и попробуйте найти очевидное исправление.

3. Локализуйте проблему, запуская по одной модели в Studio IDE или отменяя изменения кода, вызвавшие проблему.

4. Проверьте скомпилированные файлы и журналы на наличие проблем.

5. Прочитайте сообщение об ошибке: сообщения об ошибках dbt обычно указывают тип ошибки и файл, в котором она произошла.

6. Проверьте проблемный файл и поищите очевидное решение.

7. Изолируйте проблему, запуская по одной модели в или откатывая код, который вызвал ошибку.

8. Проверьте наличие проблем в скомпилированных файлах и логах.

Чтобы устранить проблемы с заданием dbt, перейдите на вкладку «Deploy > Run History» в вашем проекте dbt и выберите неудачный запуск. Затем разверните шаги запуска, чтобы просмотреть [журналы консоли и отладки](https://docs.getdbt.tech/docs/deploy/run-visibility.md#access-logs) с подробными сообщениями. Чтобы получить дополнительную информацию, откройте вкладку «Artifacts» и скачайте скомпилированные файлы, связанные с этим запуском.

Чтобы устранить проблемы с заданием , перейдите на вкладку **Deploy > Run History** в вашем проекте и выберите неудачный запуск. Затем разверните шаги выполнения, чтобы просмотреть [console и debug логи](https://docs.getdbt.tech/docs/deploy/run-visibility.md#access-logs) и изучить подробные сообщения журнала. Чтобы получить дополнительную информацию, откройте вкладку **Artifacts** и скачайте скомпилированные файлы, связанные с этим запуском.

Если ваши задачи занимают больше времени, чем ожидалось, используйте панель [времени выполнения модели](https://docs.getdbt.tech/docs/deploy/run-visibility.md#model-timing-tab) для выявления узких мест в вашем конвейере. Анализ времени, затраченного на выполнение каждой модели, помогает вам определить самые медленные компоненты и оптимизировать их для повышения производительности. История запросов Databricks [Query History](https://docs.databricks.com/sql/admin/query-history.html) позволяет вам изучать детальные сведения, такие как время, затраченное на каждую задачу, возвращенные строки, производительность ввода-вывода и план выполнения.

Для получения дополнительной информации о настройке производительности ознакомьтесь с нашим руководством по [Как оптимизировать и устранять неполадки моделей dbt на Databricks](https://docs.getdbt.tech/guides/optimize-dbt-models-on-databricks.md).

По мере накопления опыта работы с dbt и Databricks вы, возможно, захотите изучить продвинутые методы, чтобы усовершенствовать свой конвейер данных и улучшить управление преобразованиями данных. Темы этого раздела не обязательны к изучению, но помогут вам укрепить производственную среду, повысив её безопасность, эффективность и доступность.

По мере того как вы будете набираться опыта работы с и Databricks, вам может понадобиться изучить более продвинутые техники, которые помогут дополнительно улучшить ваш data pipeline и оптимизировать управление преобразованиями данных. Темы в этом разделе не являются обязательными, но они помогут укрепить production‑окружение, повысив уровень безопасности, эффективности и доступности.

Планировщик заданий dbt предлагает несколько способов запуска заданий. Если ваши преобразования dbt — лишь один из этапов более масштабного процесса оркестрации, используйте API dbt для запуска задания из Databricks Workflows.

Планировщик заданий предлагает несколько способов запуска ваших заданий. Если преобразования dbt — это лишь один из шагов в более крупном оркестрационном workflow, используйте API , чтобы запускать ваше задание из Databricks Workflows.

API обеспечивает интеграцию между вашими заданиями dbt и рабочим процессом Databricks, позволяя эффективно управлять преобразованиями данных в рамках общего конвейера обработки данных.

Добавление заданий dbt в Databricks Workflows позволяет объединять внешние задачи в цепочки, сохраняя при этом следующие преимущества dbt:

* Контекст пользовательского интерфейса: интерфейс dbt позволяет определять задание в контексте ваших окружений dbt, упрощая создание соответствующих конфигураций и управление ими.
* Журналы и история запусков: использование dbt упрощает доступ к журналам и истории запусков.
* Функции мониторинга и уведомлений: dbt предоставляет функции мониторинга и уведомлений, подобные описанным выше, которые помогают отслеживать состояние и производительность ваших заданий.

Чтобы запустить задание dbt из Databricks, следуйте инструкциям в нашем [руководстве по запуску заданий dbt с помощью Databricks Workflows](https://docs.getdbt.tech/guides/databricks-workflows.md).

Чтобы запускать задания из Databricks, следуйте инструкциям в нашем руководстве [Запуск заданий из Databricks Workflows](https://docs.getdbt.tech/guides/databricks-workflows.md).

В нашем руководстве [Рекомендации по работе с dbt и Unity Catalog](https://docs.getdbt.tech/best-practices/dbt-unity-catalog-best-practices.md) рекомендуется использовать отдельные каталоги *dev* и *prod* для сред разработки и развертывания, а управление конфигурациями и разрешениями для изоляции сред выполнять с помощью Unity Catalog и dbt. Крайне важно обеспечивать безопасность, сохраняя при этом эффективность работы в средах разработки и развертывания. Для защиты конфиденциальных данных, таких как персональные данные (PII), могут потребоваться дополнительные меры безопасности.

В нашем руководстве [Рекомендации по работе с dbt и Unity Catalog](https://docs.getdbt.tech/best-practices/dbt-unity-catalog-best-practices.md) рекомендуется использовать отдельные каталоги *dev* и *prod* для сред разработки и развертывания, при этом Unity Catalog и берут на себя управление конфигурациями и правами доступа для изоляции окружений. Обеспечение безопасности при сохранении эффективности в средах разработки и развертывания имеет решающее значение. Для защиты чувствительных данных, таких как персональные данные (PII), могут потребоваться дополнительные меры безопасности.

Databricks использует [Динамические представления](https://docs.databricks.com/data-governance/unity-catalog/create-views.html#create-a-dynamic-view) для включения маскирования данных на основе членства в группе. Поскольку представления в Unity Catalog используют Spark SQL, вы можете реализовать продвинутое маскирование данных, используя более сложные SQL выражения и регулярные выражения. Вы также можете применять более детализированные средства управления доступом, такие как фильтры строк в предварительном просмотре и маски столбцов в предварительном просмотре на таблицах в Databricks Unity Catalog, что будет рекомендованным подходом для защиты конфиденциальных данных, как только это станет общедоступным. В ближайшем будущем Databricks Unity Catalog также позволит нативно использовать управление доступом на основе атрибутов, что упростит защиту конфиденциальных данных в масштабе.

Чтобы реализовать маскирование данных в модели dbt, убедитесь, что конфигурация материализации модели установлена на представление. Затем добавьте оператор case, используя функцию is\_account\_group\_member для идентификации групп, которым разрешено просматривать значения в открытом виде. Затем используйте regex для маскирования данных для всех остальных пользователей. Например:

```sql
CASE
WHEN is_account_group_member('auditors') THEN email
ELSE regexp_extract(email, '^.*@(.*)$', 1)
END
```

Рекомендуется не предоставлять пользователям возможность читать таблицы и представления, на которые ссылается динамическое представление. Вместо этого назначьте ваши источники dbt динамическим представлениям, а не сырым данным, позволяя разработчикам безопасно выполнять полные сборки и команды свежести источников.

Использование одних и тех же источников для сред разработки и развертывания позволяет тестировать с теми же объемами и частотой, которые вы увидите в продакшене. Однако это может привести к тому, что запуски разработки будут занимать больше времени, чем необходимо. Чтобы решить эту проблему, рассмотрите возможность использования переменной Jinja target.name для [ограничения данных при работе в среде разработки](https://docs.getdbt.tech/reference/dbt-jinja-functions/target.md#use-targetname-to-limit-data-in-dev).

## Сочетание dbt Docs и Unity Catalog

Хотя между dbt docs и Databricks Unity Catalog есть сходства, они в конечном итоге используются для разных целей и хорошо дополняют друг друга. Объединяя их сильные стороны, вы можете предоставить вашей организации надежную и удобную экосистему управления данными.

dbt docs — это сайт документации, созданный на основе вашего проекта dbt. Он предоставляет разработчикам и заинтересованным сторонам без технической подготовки интерфейс, который позволяет разобраться в происхождении данных и бизнес-логике преобразований без полного доступа к dbt или Databricks. Он также предоставляет дополнительные возможности для организации и поиска данных. Вы можете автоматически [создавать и просматривать документацию dbt с помощью dbt](https://docs.getdbt.tech/docs/explore/build-and-view-your-docs.md), чтобы поддерживать её в актуальном состоянии.

Unity Catalog — это единое решение для управления вашими lakehouse. Оно предоставляет исследователь данных, который можно использовать для обнаружения наборов данных, которые не были определены в dbt. Исследователь данных также фиксирует [происхождение на уровне столбцов](https://docs.databricks.com/data-governance/unity-catalog/data-lineage.html#capture-and-explore-lineage), когда вам нужно отследить происхождение конкретного столбца.

Чтобы получить максимальную отдачу от обоих инструментов, вы можете использовать [persist docs config](https://docs.getdbt.tech/reference/resource-configs/persist_docs.md) для передачи описаний таблиц и столбцов, написанных в dbt, в Unity Catalog, делая информацию легко доступной для пользователей обоих инструментов. Сохранение описаний в dbt гарантирует, что они находятся под контролем версий и могут быть воспроизведены после удаления таблицы.

### Связанные документы

* [Курс по продвинутому развертыванию](https://learn.getdbt.com/courses/advanced-deployment), если вы хотите глубже изучить эти темы
* [Автомасштабирование CI: интеллектуальный Slim CI](https://docs.getdbt.tech/docs/deploy/continuous-integration.md)
* [Запуск задания dbt в автоматизированном рабочем процессе с помощью Python](https://discourse.getdbt.com/t/triggering-a-dbt-cloud-job-in-your-automated-workflow-with-python/2573)
* [Краткое руководство по началу работы с Databricks + dbt](https://docs.getdbt.tech/guides/databricks.md)
* Свяжитесь с командой Databricks, которая работает с вашей учетной записью, чтобы получить доступ к функциям Databricks на стадии предварительного ознакомления.
