Question

我有一个火花批处理作业，每小时执行一次。每次运行都会在S3中使用目录命名模式DATA/YEAR=?/MONTH=?/DATE=?/datafile生成并存储新数据。

将数据上传到S3后，我想使用Athena对其进行调查。更多，我想通过连接到Athena作为数据源在QuickSight中将它们可视化。

问题在于，每次运行我的Spark批处理后，Athena都不会发现存储在S3中的新生成的数据，除非我手动运行查询MSCK REPARI TABLE。

有没有办法让Athena自动更新数据，以便创建全自动数据可视化管道？

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或使用AWS Data pipeline等系统吗？

从这些中，您应该可以启动以下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。你可以有一个函数调用MSCK REPAIR TABLE some_database.some_table来响应新的上传到S3。

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，当您在存储桶中的DATA/前缀下添加新数据时，您将配置触发器以执行Lambda函数。

最终，在使用作业调度程序运行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可以方便地完成此类工作。

Answer 2

有多种方法可以解决问题并更新表格：

呼叫 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（至少由 AWS 完全收费）。而且它的速度很慢。简而言之：不要这样做！
通过调用 ALTER TABLE ADD PARTITION abc ... 自行创建分区。这在某种意义上是好的，没有数据被扫描并且成本很低。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而没有任何通用模式（在您看来并非如此，因为它是一个组织良好的 S3 密钥模式），这也是一个不错的选择。 这种方法也有缺点： A) 难以维护 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到 Athenas 和 EMR 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。缺点是您可能会“命中”一些可能不存在的分区。这些当然会被忽略，但在内部，COULD 将生成与您的查询匹配的所有分区 - 无论它们是否在 S3 上（因此始终向您的查询添加分区过滤器！）。如果操作正确，此选项是一种即发即忘方法，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。但这似乎不是一种有利的方法，因为它不像宣传的那样灵活。
直接使用 Glue Data Catalog API 可以更好地控制 GLUE，如果您有很多自动化脚本，这可能是方法 #2 的替代方法做准备工作来设置你的桌子。

简而言之：

如果您的应用以 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
如果您的脚本繁重，并且无论如何脚本会完成大部分工作并且更容易为您处理，请考虑方法 #5
如果您感到困惑并且不知道从哪里开始 - 首先尝试分区投影！它应该适合 95% 的用例。

Answer 3

您应该改为运行ADD PARTITION：

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

从您的S3位置添加一个新创建的分区雅典娜利用Hive对数据进行分区。要创建带有分区的表，必须在CREATE TABLE语句中对其进行定义。使用PARTITIONED BY定义用于对数据进行分区的键。

如何在AWS Athena中自动执行MSCK REPAIR TABLE

3 个答案: