如何在 AWS Glue 中按日期时间对数据进行分区？

Question

当前设置：

具有 json 个文件的 S3 位置。所有文件都存储在同一位置（无 day/month/year 结构）。
Glue Crawler读取目录中的数据table
Glue ETL 作业将数据转换并存储到 s3 中的 parquet tables
Glue Crawler 从 s3 parquet tables 读取并存储到一个新的 table 中，该 table 被 Athena

我想要实现的是按天 (1) 划分的镶木地板 tables 和 1 天的镶木地板 tables 在同一文件 (2) 中。目前每个 json 文件都有一个镶木地板 table。

我该怎么做？

有一件事要提一下，数据中有一个 datetime 列，但它是一个 unix 纪元时间戳。我可能需要将其转换为 'year/month/day' 格式，否则我假设它将再次为每个文件创建一个分区。

非常感谢您的帮助！！

Answer 1

将 Glue 的 DynamicFrame 转换为 Spark 的 DataFrame 以添加 year/month/day 列并重新分区。将分区减少为一个将确保只有一个文件将写入一个文件夹，但它可能会降低作业性能。

这里是python代码：

from pyspark.sql.functions import col,year,month,dayofmonth,to_date,from_unixtime

...

df = dynamicFrameSrc.toDF()

repartitioned_with_new_columns_df = df
    .withColumn(“date_col”, to_date(from_unixtime(col(“unix_time_col”))))
    .withColumn(“year”, year(col(“date_col”)))
    .withColumn(“month”, month(col(“date_col”)))
    .withColumn(“day”, dayofmonth(col(“date_col”)))
    .drop(col(“date_col”))
    .repartition(1)

dyf = DynamicFrame.fromDF(repartitioned_with_new_columns_df, glueContext, "enriched")

datasink = glueContext.write_dynamic_frame.from_options(
    frame = dyf, 
    connection_type = "s3", 
    connection_options = {
        "path": "s3://yourbucket/data”, 
        "partitionKeys": [“year”, “month”, “day”]
    }, 
    format = “parquet”, 
    transformation_ctx = "datasink"
)

请注意 from pyspark.qsl.functions import col 可能会给出参考错误，这不应该是所解释的问题。

Answer 2

我不能发表评论所以我要写一个答案。

我使用了 Yuriy 的代码，有几处需要调整：

缺少括号

df = dynamicFrameSrc.toDF()

在 toDF() 之后我必须添加 select("*") 否则架构为空

df.select("*") .withColumn(“date_col”, to_date(from_unixtime(col(“unix_time_col”))))

Answer 3

要在 AWS Glue Studio 中实现此目的：

您需要创建一个自定义函数来将日期时间字段转换为日期。还有将其转换回 DynamicFrameCollection 的额外步骤。

在Python中：

def MyTransform(glueContext, dfc) -> DynamicFrameCollection:
    df = dfc.select(list(dfc.keys())[0]).toDF()
    df_with_date = df.withColumn('date_field', df['datetime_field'].cast('date'))
    glue_df = DynamicFrame.fromDF(df_with_date, glueContext, "transform_date")
    return(DynamicFrameCollection({"CustomTransform0": glue_df}, glueContext))

然后您必须编辑自定义转换器架构以包含您刚刚创建的新日期字段。

然后您可以使用“数据目标”节点将数据写入磁盘，然后select将该新日期字段用作分区。

video step by step walkthrough

如何在 AWS Glue 中按日期时间对数据进行分区？

How to partition data by datetime in AWS Glue?

etl

amazon-web-services

aws-glue

aws-glue-data-catalog