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?






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")
Прошло 2 года, а я все еще использую это, спасибо!
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).
потрясающее решение!