Question

当前设置：

带有json文件的S3位置。所有文件都存储在同一位置（无日/月/年结构）。
Glue Crawler读取目录表中的数据
胶水ETL作业将数据转换并存储到s3中的实木复合地板表中
Glue Crawler从s3镶木表中读取并存储到雅典娜查询的新表中

我要实现的是将实木复合地板表按天（1）分区，并将1天的实木复合地板表放在同一文件（2）中。当前每个json文件都有一个实木复合地板表。

我该怎么办？

要提到的一件事，数据中有datetime列，但这是unix纪元时间戳。我可能需要将其转换为“年/月/日”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，以添加年/月/日列和重新分区。将分区减少到一个将确保仅将一个文件写入一个文件夹，但是这可能会降低作业性能。

这是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"
)

Answer 2

要在 AWS Glue Studio 中实现这一点：

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。还有一个额外的步骤是将其转换回 DynamicFrameCollection。

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，然后选择新的日期字段用作分区。

video step by step walkthrough

Answer 3

我无法发表评论，所以我要写一个答案。

我使用了Yuriy的代码，需要调整一些内容：

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”))))

如何在AWS Glue中按日期时间对数据进行分区？

3 个答案: