apache-spark - 如何在 AWS Glue PySpark 中运行并行线程？

Question

我有一个 Spark 作业，它只会从具有相同转换的多个表中提取数据。基本上是一个遍历表列表、查询目录表、添加时间戳、然后推送到 Redshift 的 for 循环(下面的示例)。
完成这项工作大约需要 30 分钟。有没有办法在相同的 Spark /胶水环境下并行运行这些？如果可以避免的话，我不想创建单独的胶水作业。

import datetime
import os
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from awsglue.dynamicframe import DynamicFrame
from awsglue.context import GlueContext
from awsglue.job import Job
from pyspark.context import SparkContext
from pyspark.sql.functions import *


# query the runtime arguments
args = getResolvedOptions(
    sys.argv,
    ["JOB_NAME", "redshift_catalog_connection", "target_database", "target_schema"],
)

# build the job session and context
glueContext = GlueContext(SparkContext.getOrCreate())
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args["JOB_NAME"], args)

# set the job execution timestamp
job_execution_timestamp = datetime.datetime.utcnow()

tables = []

for table in tables:
    catalog_table = glueContext.create_dynamic_frame.from_catalog(
        database="test", table_name=table, transformation_ctx=table
    )
    data_set = catalog_table.toDF().withColumn(
        "batchLoadTimestamp", lit(job_execution_timestamp)
    )

    # covert back to glue dynamic frame
    export_frame = DynamicFrame.fromDF(data_set, glueContext, "export_frame")

    # remove null rows from dynamic frame
    non_null_records = DropNullFields.apply(
        frame=export_frame, transformation_ctx="non_null_records"
    )

    temp_dir = os.path.join(args["TempDir"], redshift_table_name)

    stores_redshiftSink = glueContext.write_dynamic_frame.from_jdbc_conf(
        frame=non_null_records,
        catalog_connection=args["redshift_catalog_connection"],
        connection_options={
            "dbtable": f"{args['target_schema']}.{redshift_table_name}",
            "database": args["target_database"],
            "preactions": f"truncate table {args['target_schema']}.{redshift_table_name};",
        },
        redshift_tmp_dir=temp_dir,
        transformation_ctx="stores_redshiftSink",
    ) ```

Answer 1

您可以执行以下操作来加快此过程

启用作业的并发执行。

分配足够数量的 DPU。

将表列表作为参数传递

使用 Glue 工作流程或步骤函数并行执行作业。

现在假设您有 100 个表要摄取，您可以将列表分成 10 个表，并同时运行该作业 10 次。
由于您的数据将并行加载，因此 Glue 作业运行的时间将减少，因此会产生更少的成本。
更快的替代方法是直接使用 redshift 实用程序。

在 redshift 中创建表并将 batchLoadTimestamp 列保留为默认为 current_timestamp。

现在创建复制命令并将数据直接从 s3 加载到表中。

使用 Glue python shell 作业利用 pg8000 运行复制命令。

为什么这种方法会更快？
因为 spark redshift jdbc 连接器首先将 spark 数据帧卸载到 s3，然后准备复制命令到 redshift 表。在直接运行 copy 命令时，您将消除运行 unload 命令并将数据读入 spark df 的开销。