如何让 MSCK REPAIR TABLE 在 AWS Athena 中自动执行

Question

我有一个每小时执行一次的 Spark 批处理作业。每个运行生成新数据并将其存储在 S3 中，目录命名模式为 DATA/YEAR=?/MONTH=?/DATE=?/datafile.

将数据上传到 S3 后，我想使用 Athena 对其进行调查。另外，我想通过连接到 Athena 作为数据源，在 QuickSight 中可视化它们。

问题是在我的 Spark 批处理的每个运行之后，存储在 S3 中的新生成的数据将不会被 Athena 发现，除非我手动运行查询 MSCK REPAIR TABLE.

有没有办法让 Athena 自动更新数据，这样我就可以创建一个全自动的数据可视化管道？

Answer 1

有多种方法可以安排此任务。您如何安排工作流程？您使用 Airflow, Luigi, Azkaban, cron, or using an AWS Data pipeline 这样的系统吗？

从其中任何一个，您应该能够启动以下 CLI 命令。

$ aws athena start-query-execution --query-string "MSCK REPAIR TABLE some_database.some_table" --result-configuration "OutputLocation=s3://SOMEPLACE"

另一种选择是 AWS Lambda。您可以有一个调用 MSCK REPAIR TABLE some_database.some_table 的函数来响应到 S3 的新上传。

一个示例 Lambda 函数可以这样写：

import boto3

def lambda_handler(event, context):
    bucket_name = 'some_bucket'

    client = boto3.client('athena')

    config = {
        'OutputLocation': 's3://' + bucket_name + '/',
        'EncryptionConfiguration': {'EncryptionOption': 'SSE_S3'}

    }

    # Query Execution Parameters
    sql = 'MSCK REPAIR TABLE some_database.some_table'
    context = {'Database': 'some_database'}

    client.start_query_execution(QueryString = sql, 
                                 QueryExecutionContext = context,
                                 ResultConfiguration = config)

然后，当新数据添加到存储桶的 DATA/ 前缀下时，您将配置一个触发器来执行您的 Lambda 函数。

最终，在运行使用作业调度程序的 Spark 作业后显式重建分区具有自我记录的优势。另一方面，AWS Lambda 很适合像这样的工作。

Answer 2

你应该运行 ADD PARTITION 而不是：

aws athena start-query-execution --query-string "ALTER TABLE ADD PARTITION..."

从您的 S3 位置添加新创建的分区 Athena 利用 Hive 对数据进行分区。要创建带分区的 table，您必须在 CREATE TABLE 语句期间定义它。使用 PARTITIONED BY 定义分区数据的键。

Answer 3

有多种方法可以解决问题并更新 table：

致电MSCK REPAIR TABLE。这将扫描所有数据。这是昂贵的，因为每个文件都被完整读取（至少它由 AWS 完全收费）。而且它的速度非常慢。简而言之：不要这样做！
通过调用ALTER TABLE ADD PARTITION abc ...自行创建分区。从某种意义上说，这很好，无需扫描数据且成本低。查询也很快，所以这里没有问题。如果您的文件结构非常混乱且没有任何通用模式（这似乎不是您的情况，因为它是组织良好的 S3 密钥模式），这也是一个不错的选择。 这种方法也有缺点： A) 很难维护 B) 所有分区都将存储在 GLUE 目录中。当您有很多分区时，这可能会成为一个问题，因为它们需要被读出并传递给 Athena 和 EMRs Hadoop 基础设施。
使用分区投影。您可能想要评估两种不同的风格。这是在查询时为 Hadoop 创建分区的变体。这意味着没有 GLUE 目录条目通过网络发送，因此可以更快地处理大量分区。缺点是您可能 'hit' 一些可能不存在的分区。这些当然会被忽略，但在内部所有 COULD 匹配你的查询的分区都会被生成——不管它们是否在 S3 上（所以总是在你的查询中添加分区过滤器！） .如果操作正确，此选项是一种即发即弃方法，因为不需要更新。

CREATE EXTERNAL TABLE `mydb`.`mytable`
(
   ...
)
  PARTITIONED BY (
    `YEAR` int,
    `MONTH` int,
    `DATE` int)
  ...
  LOCATION
    's3://DATA/'
  TBLPROPERTIES(
      "projection.enabled" = "true",
      "projection.account.type" = "integer",
      "projection.account.range" = "1,50",
      "projection.YEAR.type" = "integer",
      "projection.YEAR.range" = "2020,2025",
      "projection.MONTH.type" = "integer",
      "projection.MONTH.range" = "1,12",
      "projection.DATE.type" = "integer",
      "projection.DATE.range" = "1,31",
      "storage.location.template" = "s3://DATA/YEAR=${YEAR}/MONTH=${MONTH}/DATE=${DATE}/"
  );

https://docs.aws.amazon.com/athena/latest/ug/partition-projection.html

仅列出所有选项：您也可以使用GLUE crawlers。但这似乎不是一个有利的方法，因为它不像宣传的那样灵活。
您可以直接使用 Glue Data Catalog API 对 GLUE 进行更多控制，如果您有很多自动化操作，这可能是方法 #2 的替代方法剧本做准备工作来设置你的 table.

简而言之：

如果您的应用程序以 SQL 为中心，您喜欢没有脚本的最精简方法，请使用分区投影
如果你有很多分区，使用分区投影
如果您有几个分区或分区没有通用模式，请使用方法 #2
如果您的脚本很重，并且脚本完成了大部分工作并且对您来说更容易处理，请考虑方法 #5
如果您感到困惑并且不知道从哪里开始 - 请先尝试分区投影！它应该适合 95% 的用例。

如何让 MSCK REPAIR TABLE 在 AWS Athena 中自动执行

How to make MSCK REPAIR TABLE execute automatically in AWS Athena

amazon-web-services

amazon-s3

hive

amazon-athena

amazon-quicksight