AWS Glue, вывод одного файла с разделами

У меня есть скрипт Glue ETL, который берет секционированную таблицу Athena и выводит ее в CSV. Таблица разделена на два критерия, блок и сайт. При выполнении задания Glue создается отдельный CSV-файл для каждой комбинации разделов объекта и сайта. Вместо этого мне нужен один выходной файл со всеми включенными разделами, подобно тому, как структурирована таблица athena.

Я немного повозился с «datasource0.toDF().repartition(1)», но я не уверен, как он взаимодействует с предоставленным AWS сценарием. Я сделал это с паркетными столами, но этот скрипт устроен иначе.

Примечание для сценария ниже. Я удалил большинство сопоставлений тегов.

from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.job import Job

## @params: [JOB_NAME]
args = getResolvedOptions(sys.argv, ['JOB_NAME'])

sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)
## @type: DataSource
## @args: [database = "testdata-2018-2019", table_name = "testdata", transformation_ctx = "datasource0"]
## @return: datasource0
## @inputs: []
datasource0 = glueContext.create_dynamic_frame.from_catalog(database = "formatted-test-2018-2019", table_name = "testdata", transformation_ctx = "datasource0")
datasource0.toDF().repartition(1)
## @type: ApplyMapping
## @args: [mapping = [("time", "string", "time", "string"), ("unit", "string", "unit", "string")], transformation_ctx = "applymapping1"]
## @return: applymapping1
## @inputs: [frame = datasource0]
applymapping1 = ApplyMapping.apply(frame = datasource0, mappings = [("time", "string", "time", "string"), ("`data.pv`", "double", ("site", "string", "site", "string"), ("unit", "string", "unit", "string")], transformation_ctx = "applymapping1")
## @type: DataSink
## @args: [connection_type = "s3", connection_options = {"path": "s3://testbucket/ParsedCSV-Data"}, format = "csv", transformation_ctx = "datasink2"]
## @return: datasink2
## @inputs: [frame = applymapping1]
datasink2 = glueContext.write_dynamic_frame.from_options(frame = applymapping1, connection_type = "s3", connection_options = {"path": "s3://buckettest/ParsedCSV-Data"}, format = "csv", transformation_ctx = "datasink2").repartition(1)
job.commit()

Я хотел бы изменить приведенный выше скрипт для вывода только одного CSV-файла с включенными секционированными столбцами. Как я могу это сделать?

Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
5
0
6 765
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

Вам нужно переразбить до, написав DynamicFrame.

repartitioned1 = applymapping1.repartition(1)
datasink2 = glueContext.write_dynamic_frame.from_options(frame = repartitioned1, connection_type = "s3", connection_options = {"path": "s3://20182019testdata/ParsedCSV-Data"}, format = "csv", transformation_ctx = "datasink2")

Что касается включения столбца разделения в выходной файл, я не думаю, что это возможно. В качестве обходного пути вы можете скопировать столбец в новый с другим именем.

df = applymapping1.toDF
repartitioned_with_new_column_df = df.withColumn("_column1", df["column1"]).repartition(1)
dyf = DynamicFrame.fromDF(repartitioned_with_new_column_df, glueContext, "enriched")
datasink2 = glueContext.write_dynamic_frame.from_options(frame = dyf, connection_type = "s3", connection_options = {"path": "s3://20182019testdata/ParsedCSV-Data", , "partitionKeys": ["_column1"]}, format = "csv", transformation_ctx = "datasink2")

потрясающее решение!

Abhijit Jagtap 04.11.2020 19:55

Прошло 2 года, а я все еще использую это, спасибо!

ronald mcdolittle 05.10.2021 15:55

Как поддержка авс. Вы можете использовать .coalesce(1). Что-то вроде этого:

dynamic_Frame=applymapping1.coalesce(1)
datasink2 = glueContext.write_dynamic_frame.from_options(frame = dynamic_Frame, connection_type = "s3", connection_options = 

С моим случаем сработало.

Обновление: .coalesce плохо работает с большими файлами. Моя работа выполняется через 1 час (все еще выполняется).

PaPu 03.11.2020 17:59

Другие вопросы по теме

Ошибка разрешений при создании резервной копии базы данных SQL Server в формате .bak на Amazon RDS
Aws-sdk 403 Ошибка для запроса OPTIONS предварительной проверки CORS к API Quicksight
Вычисляемое поле Итого в сводной таблице не отображает правильное значение
Я хотел бы получить только содержимое индекса, который я создал в AWS elasticsearch без ключа json
Как защитить некоторые файлы/объекты в общедоступной корзине?
Программное создание представления AWS Athena
Моделирование сохраняемости сообщений в SNS с помощью SQS
AWS AppSync возвращает только 10 элементов по запросу при подключении
Ошибка при отправке почты с вложением с помощью почтовой программы PHP: транзакция не удалась: отсутствует стартовая граница SMTP-код: 554
Как запустить HTTP-запрос с веб-страницы с динамическим IP-адресом через статический IP-адрес AWS, поскольку API конечной точки должен быть с IP-адреса из белого списка?