apache-spark - AWS Glue 抓取动态 S3 路径位置

Question

我正在 AWS Glue 中创建一个 ETL 作业，该作业将从 S3 位置提取存储库中每个实体的最新编辑或当前数据。存储库中的数据是实体所有编辑的历史记录。每天我运行 ETL 并将其写入另一个 S3 位置，即 Bucket/path/to/files/current_date/...，其中当前日期是动态的并且与 ETL 运行的日期一致。

我遇到的问题是，我无法以编程方式从 S3 中删除(组织限制)，也无法移动文件(因为这是副本)并在幕后删除，因此它也会失败，留下一条可供胶水爬行的路径。我想设置爬虫，使路径的日期部分是动态的，但我无法找到一种方法来做到这一点——有人知道这是否可能吗？

我的数据按运行日期(请参阅上面的当前日期)以及其他 6 个分层分区进行分区。我正在通过 CloudFormation、yaml 语言创建爬虫和 ETL 作业。爬网程序的路径存储为 CloudFormation 脚本中定义的 ssm 参数。

路径 SSM 参数示例

S3CurrentPath:
    Type: AWS::SSM::Parameter
    Properties:
      Description: "Path in the S3 Lake where the current entity data is stored."
      Type: String
      Value: 'Data/Entities/Software/SoftwareCurrent'
      Name: "/org/member/local/s3/path/entityCurrent"

爬虫资源代码:

GenericCrawler:
    Type: AWS::Glue::Crawler
    Properties:
      Role: !Ref RoleNAme
      Name: !Sub "${ProfileName}-crawler-${CrawlerName}"
      Configuration: !Sub |
        {
          "Version": 1.0,
          "CrawlerOutput": {
            "Partitions": { "AddOrUpdateBehavior": "InheritFromTable" },
            "Tables": { "AddOrUpdateBehavior": "MergeNewColumns" }
          }
        }
      Description: !Ref CrawlerDescription
      DatabaseName: !Ref DatabaseName
      Targets:
        S3Targets:
          - Path: !Sub "s3://${S3DataBucket}/${S3Path}"

ETL DataSink编写代码:

# Write the joined dynamic frame out to a datasink
        datasink = glueContext.write_dynamic_frame.from_options(
                frame = final_dynamic_frame, connection_type = "s3",
                connection_options = {
                    'path': 's3://{lakeBucketName}/{lakePath}/'.format(
                        lakeBucketName=args['lakeBucketName'],
                        lakePath=args['lakeDestinationPath']),
                        "partitionKeys": ['run_date','location','year','month','day','hour','timestamp']},
                format = "parquet",
                transformation_ctx = "datasink")

我的希望是爬虫能够查看存储库中的最新日期，即最新的 run_date 分区“文件夹”并对其进行爬网，而无需回顾旧数据。

如果您想查看更多代码，请告诉我 - 我很乐意清理并提供。

Answer 1

说实话，我还没有找到使用 AWS Glue 向动态路径读取/写入数据的方法。我通常做的是使用 PySpark 方法进行读/写:

datasink.write.\
        format("com.databricks.spark.csv").\
        option("header", "true").\
        mode("overwrite").\
        save("s3://my-bucket/files/" + current_date + "*.csv")

您甚至可以告诉该方法仅读取/写入特定类型的文件(例如 .csv)。PySpark 比 AWS Glue 有更多的选项和可用方法，因此具有更大的灵活性。此外，我在 DynamoDB 表中添加键/值记录以保留最新日期的记录。