Question

查看this示例。它从s3目录中读取数据，然后写回s3文件夹。但是如果我添加数据并重新运行这项工作呢？我是对的，再次粘贴读取和写入所有数据？或者它只检测（如何？）新数据并只写它？

顺便说一下，如果我从分区数据中读取，我必须自己指定“新到达”分区吗？

Answer 1

从我在该示例中看到的内容，他们正在从S3中的已爬网位置进行读取，然后每次都替换一个文件，完全重新加载所有数据。

要仅处理新文件，您需要为您的工作启用Bookmarks，并确保通过执行以下操作来提交作业：

args = getResolvedOptions(sys.argv, [‘TempDir’,’JOB_NAME’])
glue_context = GlueContext(SparkContext.getOrCreate()

# Instantiate your job object to later commit
job = Job(glue_context)
job.init(args[‘JOB_NAME’], args)

# Read file, if you enable Bookmark and commit at the end, this will only
# give you new files
dynamic_frame = glueContext.create_dynamic_frame.from_catalog(database = db_name, table_name = tbl_name)

result_dynamic_frame = # do some operations

# Append operation to create new parquet files from new data
result_dynamic_frame.toDF().write
  .mode("append")
  .parquet("s3://bucket/prefix/permit-inspections.parquet")

# Commit my job so next time we read, only new files will come in
job.commit()

希望这有帮助

aws glue是否默认处理新数据？

1 个答案: