aws-glue - 如何使用 AWS Glue 作业覆盖过时的分区数据?
问题描述
我有每天一次转储到s3://<bucket>/mydata/year=*/month=*/*.snappy.parquet的数据作为该月的累积数据。我有一个爬虫来爬取它以更新mydata表和一个 CW 规则,它在爬虫成功后调用 lambda,它启动 Glue 作业以转换列并输出到s3://<bucket>/mydata-transformed/year=* /月=*/*. snappy.parquet。这个流程基本上是有效的。但是,我目前遇到的问题是输出数据被附加写入而不是替换那里的数据(因为它是当月的累积数据)。例如,假设在 2020 年 10 月 1 日午夜,10/1 的数据被转储到s3://<bucket>/mydata/year=2020/month=10/*.snappy.parquet中。s3://<bucket>/mydata-transformed/year=2020/month=10/*.snappy.parquet,对于 10/1 数据来说,一切都很好。但是,第二天,当 10/1 和 10/2 的数据被转储到s3://<bucket>/mydata/year=2020/month=10/*.snappy.parquet(覆盖前一天的文件)时,Glue作业将在输出文件夹中生成附加数据,即它将包含昨天运行的数据,加上今天的运行(所以 10/1 数据两次,10/2 数据)。第二天,10/1 数据 3X、10/2 数据 2X 和 10/3 数据。等等。2020/09 年及之前的数据没问题,因为它们没有变化。下面是我的代码的基本结构,删除了样板代码,并用人为的替换了真正的转换。
sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)
DataSource0 = glueContext.create_dynamic_frame.from_catalog(database = "mydatabase", table_name = "mydata", transformation_ctx = "DataSource0")
ds_df = DataSource0.toDF()
ds_df1 = ds_df.select("year","month",upper(col('colA')),upper(col('colB')),upper(col('colC')),upper(col('colD')))
Transform0 = DynamicFrame.fromDF(ds_df1, glueContext, "Transform0")
DataSink0 = glueContext.write_dynamic_frame.from_options(frame = Transform0, connection_type = "s3", format = "parquet", connection_options = {"path": "s3://<bucket>/mydata-transformed/", "partitionKeys": ["year","month"]}, transformation_ctx = "DataSink0")
job.commit()
我该怎么做才能使当月,前一天的数据被删除并替换为当前工作的数据?有没有办法知道,在我的示例中,源数据中的month=10分区已更改,因此我可以在进行转换之前清除输出中的相同分区并输出新数据?
谢谢。
[编辑] 所以似乎一种解决方案是获取作业书签,然后使用 CURR_LATEST_PARTITIONS 值来确定在处理数据之前我应该删除哪个分区。就我而言,当我处理 2020/10 时,CURR_LATEST_PARTITIONS 是 2020/09。所以我知道要删除 2020/10 年的数据,因为如果 CURR_LATEST_PARTITIONS 是 2020/09 年,那必须是正在处理的数据。我不太喜欢这个解决方案,但我认为它会起作用,但我不确定我还能做什么。
解决方案
你有几个选择:
- DynamicFrameWriter 尚不支持覆盖 S3 中的数据。相反,您可以使用 Spark 本机
write()
。但是,对于非常大的数据集,它可能会有点低效,因为单个工作人员将用于覆盖 S3 中的现有数据。下面是一个例子:
sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
job = Job(glueContext)
job.init(args['JOB_NAME'], args)
DataSource0 = glueContext.create_dynamic_frame.from_catalog(database = "mydatabase", table_name = "mydata", transformation_ctx = "DataSource0")
ds_df = DataSource0.toDF()
ds_df1 = ds_df.select("year","month",upper(col('colA')),upper(col('colB')),upper(col('colC')),upper(col('colD')))
ds_df1 \
.write.mode('overwrite') \
.format('parquet') \
.partitionBy('year', 'month') \
.save('s3://<bucket>/mydata-transformed/')
job.commit()
- 在 lambda 函数中,您可以使用特定前缀下的 S3 中的删除数据。使用 Python 和 boto3 的示例是:
import boto3
s3_res = boto3.resource('s3')
bucket = 'my-bucket-name'
# Add any logic to derive required prefix based on year/month/day
prefix = 'mydata/year=2020/month=10/'
s3_res.Bucket(bucket).objects.filter(Prefix=key).delete()
- 您可以使用 Glue
purge_s3_path
从某个前缀中删除数据。链接在这里。
推荐阅读
- android - getCurrentUser NullPointerException
- python-3.x - 如何在 Google App Engine 中进行 apt-get install
- go - 拒绝服务资源耗尽请求
- azure - 如何将 Azure 存储帐户活动日志发送到 Azure 日志分析工作区
- python - OpenCV沿曲线检测点
- azure - 在 yaml 管道配置中声明时,不会在 Azure Devops 中自动创建环境
- wordpress - Gutenberg 11.7.0 添加了 reset.css - 之后如何应用 CSS?
- mongodb - 在聚合中结合匹配过滤器
- java - 我正在尝试交换两个值,同时运行代码时出现此错误“不兼容的类型。找到:'int',需要:'int[]'”
- tensorflow - 如何将训练过程集成到不基于反向传播的 keras 中?