AWS Glue 爬虫将 json 文件分类为未知

Question

我正在从事一项 ETL 工作，该工作会将 JSON 文件提取到 RDS 暂存 table 中。我配置的爬虫可以毫无问题地对 JSON 个文件进行分类，只要它们的大小小于 1MB。如果我缩小文件（而不是漂亮的打印），如果结果小于 1MB，它将毫无问题地对文件进行分类。

我无法想出解决方法。我尝试将 JSON 转换为 BSON 或 GZIPing JSON 文件，但它仍然被归类为未知。

还有其他人 运行 关注这个问题吗？有一个更好的方法吗？

Answer 1

我有两个 json 文件，分别为 42mb 和 16mb，在 S3 上分区为路径：

• s3://bucket/stg/year/month/_0.json

• s3://bucket/stg/year/month/_1.json

我遇到了和你一样的问题，爬虫分类为未知。

我能够解决它：

• 您必须使用 json 路径作为“$[*]”创建自定义分类器，然后使用该分类器创建新的抓取工具。
• 运行 将创建包含 S3 上的数据和适当架构的新爬虫。
• 不要用分类器更新您当前的爬虫，因为它不会应用更改，我不知道为什么，可能是因为 AWS 在其文档中提到的分类器版本控制。创建新的爬虫使其工作

Answer 2

如

所述

https://docs.aws.amazon.com/glue/latest/dg/custom-classifier.html#custom-classifier-json

当您 运行 爬虫使用内置 JSON 分类器时，整个文件用于定义架构。因为您没有指定 JSON 路径，所以爬虫将数据视为一个对象，即只是一个数组。

Dung在他的回答中也指出了这一点。

Answer 3

另请注意，文件编码可能导致 JSON 被分类为未知。请尝试将文件重新编码为 UTF-8。