在 AWS 上通过 API 在 glue table 上添加分区？

Question

我有一个不断被新数据填充的 S3 存储桶，我正在使用 Athena 和 Glue 查询该数据，问题是如果 glue 不知道创建了一个新分区它就不会搜索它需要在那里搜索。如果我每次需要一个新分区时都对运行进行 API 调用，Glue 爬虫太昂贵了，所以最好的解决方案是告诉胶水添加了一个新分区，即创建一个新分区在其属性中 table。我查看了 AWS 文档但没有运气，我在 AWS 上使用 Java。有帮助吗？

Answer 1

您可以将胶水爬虫配置为每 5 分钟触发一次

您可以创建一个 lambda 函数，该函数将运行按计划进行，或者由您的存储桶中的事件（例如 putObject 事件）触发，并且该函数可以调用 athena 来发现分区:

 import boto3

 athena = boto3.client('athena')

 def lambda_handler(event, context):
     athena.start_query_execution(
         QueryString = "MSCK REPAIR TABLE mytable",
         ResultConfiguration = {
             'OutputLocation': "s3://some-bucket/_athena_results"
         }

使用 Athena 手动添加分区。您还可以通过 API 运行 sql 查询，就像在我的 lambda 示例中一样。

示例来自 Athena manual：

 ALTER TABLE orders ADD
   PARTITION (dt = '2016-05-14', country = 'IN') LOCATION 's3://mystorage/path/to/INDIA_14_May_2016'
   PARTITION (dt = '2016-05-15', country = 'IN') LOCATION 's3://mystorage/path/to/INDIA_15_May_2016';

Answer 2

您可能需要使用 batch_create_partition() 胶水 api 来注册新分区。它不需要任何昂贵的操作，如 MSCK REPAIR TABLE 或重新抓取。

我有一个类似的用例，为此我编写了一个 python 脚本来执行以下操作 -

第 1 步 - 获取 table 信息并从中解析注册分区所需的必要信息。

# Fetching table information from glue catalog
logger.info("Fetching table info for {}.{}".format(l_database, l_table))
try:
    response = l_client.get_table(
        CatalogId=l_catalog_id,
        DatabaseName=l_database,
        Name=l_table
    )
except Exception as error:
    logger.error("Exception while fetching table info for {}.{} - {}"
                 .format(l_database, l_table, error))
    sys.exit(-1)

# Parsing table info required to create partitions from table
input_format = response['Table']['StorageDescriptor']['InputFormat']
output_format = response['Table']['StorageDescriptor']['OutputFormat']
table_location = response['Table']['StorageDescriptor']['Location']
serde_info = response['Table']['StorageDescriptor']['SerdeInfo']
partition_keys = response['Table']['PartitionKeys']

步骤 2 - 生成列表字典，其中每个列表包含创建单个分区的信息。所有列表都将具有相同的结构，但它们的分区特定值将发生变化（年、月、日、小时）

def generate_partition_input_list(start_date, num_of_days, table_location,
                                  input_format, output_format, serde_info):
    input_list = []  # Initializing empty list
    today = datetime.utcnow().date()
    if start_date > today:  # To handle scenarios if any future partitions are created manually
        start_date = today
    end_date = today + timedelta(days=num_of_days)  # Getting end date till which partitions needs to be created
    logger.info("Partitions to be created from {} to {}".format(start_date, end_date))

    for input_date in date_range(start_date, end_date):
        # Formatting partition values by padding required zeroes and converting into string
        year = str(input_date)[0:4].zfill(4)
        month = str(input_date)[5:7].zfill(2)
        day = str(input_date)[8:10].zfill(2)
        for hour in range(24):  # Looping over 24 hours to generate partition input for 24 hours for a day
            hour = str('{:02d}'.format(hour))  # Padding zero to make sure that hour is in two digits
            part_location = "{}{}/{}/{}/{}/".format(table_location, year, month, day, hour)
            input_dict = {
                'Values': [
                    year, month, day, hour
                ],
                'StorageDescriptor': {
                    'Location': part_location,
                    'InputFormat': input_format,
                    'OutputFormat': output_format,
                    'SerdeInfo': serde_info
                }
            }
            input_list.append(input_dict.copy())
    return input_list

步骤 3 - 调用 batch_create_partition() API

for each_input in break_list_into_chunks(partition_input_list, 100):
    create_partition_response = client.batch_create_partition(
        CatalogId=catalog_id,
        DatabaseName=l_database,
        TableName=l_table,
        PartitionInputList=each_input
    )

单个 api 调用中有 100 个分区的限制，因此如果您要创建超过 100 个分区，那么您需要将列表分成块并对其进行迭代。

https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/glue.html#Glue.Client.batch_create_partition

Answer 3

这个问题很老，但我想提出来，有人可以 s3:ObjectCreated:Put 通知触发 Lambda 函数，该函数在数据到达 S3 时注册新分区。我什至会扩展此功能以处理基于对象删除等的弃用。这是 AWS 的博客 post，其中详细介绍了 S3 事件通知：https://aws.amazon.com/blogs/aws/s3-event-notification/

Answer 4

AWS Glue 最近添加了一个 RecrawlPolicy，它只抓取您添加到 S3 存储桶的新 folders/paritions。

https://docs.aws.amazon.com/glue/latest/dg/incremental-crawls.html

这应该可以帮助您尽量减少一次又一次地抓取所有数据。根据我的阅读，您可以在设置爬虫或编辑现有爬虫时定义增量爬网。但需要注意的一件事是，增量爬网要求新数据的架构与现有架构大致相同。

在 AWS 上通过 API 在 glue table 上添加分区？

Add a partition on glue table via API on AWS?

amazon-s3

amazon-web-services

amazon-athena

aws-glue