Dépendance : cet article nécessite une compréhension des bases de la conception de l'architecture AWS
AWS Glue est un service ETL (extraction, transformation et chargement) entièrement géré qui vous permet de classer, nettoyer et enrichir facilement et à moindre coût les données, et de déplacer les données de manière fiable entre divers magasins de données et flux de données . AWS Glue se compose d'un référentiel central de métadonnées appelé Catalogue de données AWS Glue, d'un moteur ETL qui génère automatiquement du code Python ou Scala, et d'un planificateur flexible qui gère la résolution des dépendances, la surveillance des tâches et les nouvelles tentatives. AWS Glue est sans serveur, il n'y a donc aucune infrastructure à configurer ou à gérer.
AWS Glue est conçu pour fonctionner avec des données semi-structurées. Il introduit un composant appelé Dynamic Frames que vous pouvez utiliser dans vos scripts ETL. Un cadre dynamique est similaire à un Apache Spark DataFrame, qui est une abstraction de données pour organiser les données en lignes et en colonnes, sauf que chaque enregistrement est auto-descriptif, donc aucun schéma n'est requis pour commencer. Avec Dynamic Frames, vous bénéficiez d'une flexibilité architecturale et d'un ensemble de transformations avancées conçues spécifiquement pour Dynamic Frames. Vous pouvez effectuer une conversion entre Dynamic Frames et Spark DataFrames pour tirer parti des transformations AWS Glue et Spark afin d'effectuer l'analyse requise.
Vous pouvez utiliser la console AWS Glue pour découvrir des données, les transformer et les rendre disponibles pour la recherche et l'interrogation. La console appelle les services sous-jacents pour coordonner le travail nécessaire à la transformation des données. Vous pouvez également utiliser les opérations d'API AWS Glue pour interagir avec les services AWS Glue. Utilisez un environnement de développement familier pour modifier, déboguer et tester votre code ETL Python ou Scala Apache Spark.
1. Déployer la colle
Déployez de la colle à l'aide de cloudformation, y compris des bases de données, des connexions, des robots d'exploration, des tâches et des déclencheurs.
Créer un rôle IAM
stratégie supplémentaire
AmazonS3FullAccess
AmazonSNSFullAccess
AWSGlueServiceRole
AmazonRDSFullAccess
SecretsManagerReadWrite
AWSLambdaRole
relation de confiance
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "glue.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
Créer de la colle
AWSTemplateFormatVersion: '2010-09-09'
Parameters:
Environment:
Type: String
Default: DEV
EnvironmentName:
Type: String
Default: d
CustomerName:
Description: The name of the customer
Type: String
#TODO:
Default: your-company-name
ProjectName:
Description: The name of the project
Type: String
#TODO:
Default: your-project-name
CrawlerRoleARN:
Type: String
#TODO:
Default: XXXXXXXXXXXXX
ScriptLocation:
Type: String
#TODO: a empty file
Default: s3://XXXXXX-s3/aws-glue-scripts
SSLCertificateLocation:
Type: String
#TODO:a pem file
Default: s3://XXXXXX-s3/aws-glue-scripts/xxxxxxx.pem
ConnAvailabilityZone:
Description:
The name of the AvailabilityZone,Currently the field must be populated, but it will be
deprecated in the future
Type: String
#TODO:
Default: cn-northwest-xxx
ConnSecurityGroups:
Description: The name of the Secret
Type: List<AWS::EC2::SecurityGroup::Id>
#TODO:
Default: sg-xxxxxxxxx, sg-xxxxxxxxx
ConnSubnetId:
Description: The name of the Secret
Type: String
#TODO:
Default: subnet-xxxxxxxxx
OriginSecretid:
Description: The name of the Secret
Type: String
#TODO:
Default: xxxxxxxxxxxxxxxxx
OriginJDBCString:
Type: String
#TODO: jdbc:postgresql://{database ARN}:{port}/{databasename}
Default: jdbc:postgresql://xxxx:xxx/xxxx
OriginJDBCPath:
Type: String
#TODO: Database/Schema/%
Default: xxxx/xxxx/%
Resources:
#Create Origin to contain tables created by the crawler
OriginDatabase:
Type: AWS::Glue::Database
Properties:
CatalogId: !Ref AWS::AccountId
DatabaseInput:
Name: !Sub ${
CustomerName}-${
ProjectName}-origin-${
EnvironmentName}-gluedatabase
Description: 'AWS Glue container to hold metadata tables for the Origin crawler'
#Create Origin Connection
OriginConnectionPostgreSQL:
Type: AWS::Glue::Connection
Properties:
CatalogId: !Ref AWS::AccountId
ConnectionInput:
Description: 'Connect to Origin PostgreSQL database.'
ConnectionType: 'JDBC'
PhysicalConnectionRequirements:
AvailabilityZone: !Ref ConnAvailabilityZone
SecurityGroupIdList: !Ref ConnSecurityGroups
SubnetId: !Ref ConnSubnetId
ConnectionProperties:
{
'JDBC_CONNECTION_URL': !Ref OriginJDBCString,
# If use ssl
'JDBC_ENFORCE_SSL': true,
'CUSTOM_JDBC_CERT': !Ref SSLCertificateLocation,
'SKIP_CUSTOM_JDBC_CERT_VALIDATION': true,
'USERNAME': !Join [ '', [ '{
{resolve:secretsmanager:', !Ref OriginSecretid, ':SecretString:username}}' ] ],
'PASSWORD': !Join [ '', [ '{
{resolve:secretsmanager:', !Ref OriginSecretid, ':SecretString:password}}' ] ]
}
Name: !Sub ${
CustomerName}-${
ProjectName}-origin-${
EnvironmentName}-glueconn
#Create Target to contain tables created by the crawler
TargetDatabase:
Type: AWS::Glue::Database
Properties:
CatalogId: !Ref AWS::AccountId
DatabaseInput:
Name: !Sub ${
CustomerName}-${
ProjectName}-target-${
EnvironmentName}-gluedatabase
Description: 'AWS Glue container to hold metadata tables for the Target crawler'
#Create Target Connection
TargetConnectionPostgreSQL:
Type: AWS::Glue::Connection
Properties:
CatalogId: !Ref AWS::AccountId
ConnectionInput:
Description: 'Connect to Target PostgreSQL database.'
ConnectionType: 'JDBC'
PhysicalConnectionRequirements:
AvailabilityZone: !Ref ConnAvailabilityZone
SecurityGroupIdList: !Ref ConnSecurityGroups
SubnetId: !Ref ConnSubnetId
ConnectionProperties:
{
'JDBC_CONNECTION_URL': !Ref TargetJDBCString,
# If use ssl
'JDBC_ENFORCE_SSL': true,
'CUSTOM_JDBC_CERT': !Ref SSLCertificateLocation,
'SKIP_CUSTOM_JDBC_CERT_VALIDATION': true,
'USERNAME': !Join [ '', [ '{
{resolve:secretsmanager:', !Ref TargetSecretid, ':SecretString:username}}' ] ],
'PASSWORD': !Join [ '', [ '{
{resolve:secretsmanager:', !Ref TargetSecretid, ':SecretString:password}}' ] ]
}
Name: !Sub ${
CustomerName}-${
ProjectName}-target-${
EnvironmentName}-glueconn
#Create a crawler to crawl the Origin data in PostgreSQL database
OriginCrawler:
Type: AWS::Glue::Crawler
Properties:
Name: !Sub ${
CustomerName}-${
ProjectName}-origin-${
EnvironmentName}-gluecrawler
Role: !Sub arn:aws-cn:iam::${
AWS::AccountId}:role/${
CrawlerRoleARN}
Description: AWS Glue crawler to crawl Origin data
DatabaseName: !Ref OriginDatabase
Targets:
JdbcTargets:
- ConnectionName: !Ref OriginConnectionPostgreSQL
Path: !Ref OriginJDBCPath
TablePrefix: !Sub ${
ProjectName}_${
EnvironmentName}_
SchemaChangePolicy:
UpdateBehavior: 'UPDATE_IN_DATABASE'
DeleteBehavior: 'LOG'
Tags:
ApplName: your-app-name
#Create a crawler to crawl the Target data in PostgreSQL database
TargetCrawler:
Type: AWS::Glue::Crawler
Properties:
Name: !Sub ${
CustomerName}-${
ProjectName}-target-${
EnvironmentName}-gluecrawler
Role: !Sub arn:aws-cn:iam::${
AWS::AccountId}:role/${
CrawlerRoleARN}
Description: AWS Glue crawler to crawl Target data
DatabaseName: !Ref TargetDatabase
Targets:
JdbcTargets:
- ConnectionName: !Ref TargetConnectionPostgreSQL
Path: !Ref TargetJDBCPath
TablePrefix: !Sub ${
ProjectName}_${
EnvironmentName}_
SchemaChangePolicy:
UpdateBehavior: 'UPDATE_IN_DATABASE'
DeleteBehavior: 'LOG'
Tags:
ApplName: your-app-name
#Job sync from Origin to Target
JobDataSync:
Type: AWS::Glue::Job
Properties:
Name: !Sub ${
CustomerName}-${
ProjectName}-data-sync-${
EnvironmentName}-gluejob
Role: !Ref CrawlerRoleARN
DefaultArguments: {
'--job-language': 'python','--enable-continuous-cloudwatch-log': 'true','--enable-continuous-log-filter': 'true'}
# If script written in Scala, then set DefaultArguments={'--job-language'; 'scala', '--class': 'your scala class'}
Connections:
Connections:
- !Ref OriginConnectionPostgreSQL
- !Ref TargetConnectionPostgreSQL
Description: AWS Glue job for Data sync from Origin to Target
GlueVersion: 2.0
Command:
Name: glueetl
PythonVersion: 3
ScriptLocation:
!Sub ${
ScriptLocation}/${
CustomerName}-${
ProjectName}-data-sync-gluejob.py
Timeout: 60
WorkerType: Standard
NumberOfWorkers: 2
ExecutionProperty:
MaxConcurrentRuns: 1
Tags:
ApplName: your-app-name
#Trigger
TriggerDataSync:
Type: AWS::Glue::Trigger
Properties:
Name: !Sub ${
CustomerName}-${
ProjectName}-data-sync-${
EnvironmentName}-gluetrigger
Description: AWS Glue trigger for Data sync from Origin to Target
Type: SCHEDULED
Actions:
- JobName: !Ref JobDataSync
Schedule: cron(0 12 * * ? *)
StartOnCreation: true
Tags:
ApplName: your-app-name
2. Collez le déploiement automatisé (CD)
name: build-and-deploy
# Controls when the action will run. Triggers the workflow on push
# but only for the master branch.
on:
push:
branches: [ master ]
# A workflow run is made up of one or more jobs that can run sequentially or in parallel
jobs:
# This workflow contains two jobs called "build" and "deploy"
build:
# The type of runner that the job will run on
runs-on: ubuntu-latest
# Steps represent a sequence of tasks that will be executed as part of the job
steps:
# Checks-out your repository under $GITHUB_WORKSPACE, so your job can access it
- uses: actions/checkout@v2
# Set up Python
- name: Set up Python 3.8
uses: actions/setup-python@v2
with:
python-version: '3.8'
# Install nbconvert to convert notebook file to python script
- name: Install nbconvert
run: |
python -m pip install --upgrade pip
pip install nbconvert
# Convert notebook file to python
- name: Convert notebook
run: jupyter nbconvert --to python traffic.ipynb
# Persist python script for use between jobs
- name: Upload python script
uses: actions/upload-artifact@v2
with:
name: traffic.py
path: traffic.py
# Upload python script to S3 and update Glue job
deploy:
needs: build
runs-on: ubuntu-latest
steps:
- name: Download python script from build
uses: actions/download-artifact@v2
with:
name: traffic.py
# Install the AWS CLI
- name: Install AWS CLI
run: |
curl "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip" -o "awscliv2.zip"
unzip awscliv2.zip
sudo ./aws/install
# Set up credentials used by AWS CLI
- name: Set up AWS credentials
shell: bash
env:
AWS_ACCESS_KEY_ID: ${
{
secrets.AWS_ACCESS_KEY_ID }}
AWS_SECRET_ACCESS_KEY: ${
{
secrets.AWS_SECRET_ACCESS_KEY }}
run: |
mkdir -p ~/.aws
touch ~/.aws/credentials
echo "[default]
aws_access_key_id = $AWS_ACCESS_KEY_ID
aws_secret_access_key = $AWS_SECRET_ACCESS_KEY" > ~/.aws/credentials
# Copy the file to the S3 bucket
- name: Upload to S3
run: aws s3 cp traffic.py s3://${
{
secrets.S3_BUCKET}}/traffic_${
GITHUB_SHA}.py --region us-east-1
# Update the Glue job to use the new script
- name: Update Glue job
run: |
aws glue update-job --job-name "Traffic ETL" --job-update \
"Role=AWSGlueServiceRole-TrafficCrawler,Command={Name=glueetl,ScriptLocation=s3://${
{secrets.S3_BUCKET}}/traffic_${GITHUB_SHA}.py},Connections={Connections=redshift}" \
--region us-east-1
# Remove stored credentials file
- name: Cleanup
run: rm -rf ~/.aws
3. Développement low-code Glue (recommandé)
AWS Glue Studio est une nouvelle interface graphique qui facilite la création, l'exécution et la surveillance des tâches d'extraction, de transformation et de chargement (ETL) dans AWS Glue. Vous pouvez créer visuellement des workflows de transformation de données et les exécuter en douceur sur le moteur ETL sans serveur de style Apache Spark d'AWS Glue. Vous pouvez examiner la description de la structure et les résultats du profil à chaque étape de la tâche.
4. Développement Python
Informations de base sur Python :
import sys
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.job import Job
args = getResolvedOptions(sys.argv, ["JOB_NAME"])
sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args["JOB_NAME"], args)
4.1 Importer la source de données
PostgreSQLtable_node1 = glueContext.create_dynamic_frame.from_catalog(
database="[您创建的Glue连接源数据库名称]",
table_name="[通过爬网程序生成的表名]",
additional_options = {
"jobBookmarkKeys":["[tablename表的书签字段,不能为空]"],"jobBookmarkKeysSortOrder":"[asc/desc选一个]"},
transformation_ctx="PostgreSQLtable_node1",
)
transformation_ctx est le nom du signet, et le signet est la marque où les données sont traitées, tout comme la lecture d'un livre ; ceci est très utile dans la synchronisation incrémentielle.
Pour que le signet prenne effet, les conditions suivantes doivent être remplies :
1) "Paramètres avancés" -> "Activer les signets" -> "Activer" dans le travail de Glue ;
2) L'élément additional_options est activé pour prendre effet.
4.2 Introduire le mappage des champs
# Script generated for node ApplyMapping
ApplyMapping_node2 = ApplyMapping.apply(
frame=PostgreSQLtable_node1,
mappings=[
("id", "decimal(19,0)", "id", "decimal(19,0)"),
("updatetime", "timestamp", "updatetime", "timestamp"),
("value", "decimal(19,0)", "value", "decimal(19,0)"),
],
transformation_ctx="ApplyMapping_node2",
)
Le type dans le mappage de champ nécessite des tentatives constantes. Par exemple, lors de la définition directe d'un décimal avec plus de 8 caractères, il y aura des problèmes lors de l'exportation des données, ce qui nécessite une certaine expérience et expérimentation.
4.3 Insérer des données de manière incrémentielle
# Script generated for node PostgreSQL table
PostgreSQLtable_node3 = glueContext.write_dynamic_frame.from_catalog(
frame=ApplyMapping_node2,
database="[您创建的Glue目标数据库连接名称]",
table_name="[通过爬网程序生成的表名]",
transformation_ctx="PostgreSQLtable_node3",
)
transformation_ctx est le nom du signet, et le signet est la marque où les données sont traitées, tout comme la lecture d'un livre ; ceci est très utile dans la synchronisation incrémentielle.
4.4 Insérer les données en entier (avec table vide)
df = ApplyMapping_node2.toDF()
df.write.format("jdbc").mode('overwrite') \
.option("url", "jdbc:postgresql://[host主机]:5432/[数据库名称]") \
.option("user", "[账号]") \
.option("password", "[密码]") \
.option("dbtable", "[dbo.表名]") \
.option("truncate", "true") \
.save()
Si vous souhaitez effacer la table et exécuter l'opération d'écriture avant d'insérer des données, veuillez effectuer les actions ci-dessus.
4.5 Utiliser les paramètres de configuration et exécuter du SQL personnalisé
import boto3
import psycopg2
data_frame = ApplyMapping_node2.toDF()
glue = boto3.client('glue')
connection = glue.get_connection(Name="[您创建的Glue目标数据库连接名称]")
pg_url = connection['Connection']['ConnectionProperties']['JDBC_CONNECTION_URL']
pg_url = pg_url.split('/')[2].split(':')[0]
pg_user = connection['Connection']['ConnectionProperties']['USERNAME']
pg_password = connection['Connection']['ConnectionProperties']['PASSWORD']
magento = data_frame.collect()
#以下代码中使用配置参数
db = psycopg2.connect(host = pg_url, user = pg_user, password = pg_password, database = "[数据库名]")
cursor = db.cursor()
for r in magento:
insertQry=""" INSERT INTO dbo.gluetest(id, updatetime, value) VALUES(%s, %s, %s) ;"""
cursor.execute(insertQry, (r.id, r.updatetime, r.value))
#可以考虑分页提交
db.commit()
cursor.close()
L'utilisation de cette méthode nécessite l'introduction du package psycopg2 (équivalent au package pré-installé par docker avant l'exécution)
"Configuration de la sécurité, bibliothèque de scripts et paramètres du travail (facultatif)" -> "Paramètres du travail" dans le travail de Glue ;
Version colle | clé | valeur |
---|---|---|
2.0 | –modules-python-supplémentaires | psycopg2-binaire==2.8.6 |
3.0 | –modules-python-supplémentaires | psycopg2-binaire==2.9.0 |
4.6 Upsert (Insérer et mettre à jour)
Mettez à jour les données de manière incrémentielle, utilisez updatetime comme signet (non vide), de nouvelles données sont insérées et les anciennes données sont mises à jour.
from py4j.java_gateway import java_import
sc = SparkContext()
java_import(sc._gateway.jvm,"java.sql.Connection")
java_import(sc._gateway.jvm,"java.sql.DatabaseMetaData")
java_import(sc._gateway.jvm,"java.sql.DriverManager")
java_import(sc._gateway.jvm,"java.sql.SQLException")
data_frame = PostgreSQLtable_node1.toDF()
magento = data_frame.collect()
source_jdbc_conf = glueContext.extract_jdbc_conf('[您创建的Glue目标数据库连接名称]')
page = 0
try:
conn = sc._gateway.jvm.DriverManager.getConnection(source_jdbc_conf.get('url') + '/[数据库名]',source_jdbc_conf.get('user'),source_jdbc_conf.get('password'))
insertQry="""INSERT INTO dbo.[表名](id, updatetime, value) VALUES(?, ?, ?) ON CONFLICT (id) DO UPDATE
SET updatetime = excluded.updatetime, value = excluded.value
WHERE dbo.gluetest.updatetime is distinct from excluded.updatetime;"""
stmt = conn.prepareStatement(insertQry)
conn.setAutoCommit(False)
for r in magento:
stmt.setBigDecimal(1, r.id)
stmt.setTimestamp(2, r.updatetime)
stmt.setBigDecimal(3, r.value)
stmt.addBatch()
page += 1
if page % 1000 ==0:
stmt.executeBatch()
conn.commit()
page = 0
if page > 0:
stmt.executeBatch()
conn.commit()
finally:
if conn:
conn.close()
job.commit()
Points principaux:
Ce qui précède est la méthode de traitement de postgreSQL, oracle utilise Marge et sqlserver utilise une syntaxe similaire à insert into update.
Le package Java natif spark utilisé peut être utilisé comme alternative à "psycopg2" sans importer de nouveaux packages.
L'inconvénient de "psycopg2" est qu'il faut environ 1 minute pour installer le package. Pour les opérations urgentes, il est recommandé d'utiliser le package natif.
5. Débogage Local Glue (auxiliaire)
Développer et tester des scripts de tâche AWS Glue
Configurer le conteneur pour utiliser Visual Studio Code
conditions préalables:
-
Installez Visual Studio Code.
-
Installez Python .
-
Installer Visual Studio Code Remote - Conteneur
-
Ouvrez le dossier de l'espace de travail dans Visual Studio Code.
-
Sélectionnez Paramètres .
-
Veuillez sélectionner Espace de travail .
-
Veuillez sélectionner Ouvrir les paramètres (JSON) .
-
Collez le JSON suivant et enregistrez-le.
{ "python.defaultInterpreterPath": "/usr/bin/python3", "python.analysis.extraPaths": [ "/home/glue_user/aws-glue-libs/PyGlue.zip:/home/glue_user/spark/python/lib/py4j-0.10.9-src.zip:/home/glue_user/spark/python/", ] }
marcher:
- Exécutez le conteneur Docker.
docker run -it -v D:/Projects/AWS/Projects/Glue/.aws:/home/glue_user/.aws -v D:/Projects/AWS/Projects/Glue:/home/glue_user/workspace/ -e AWS_PROFILE=default -e DISABLE_SSL=true --rm -p 4040:4040 -p 18080:18080 --name glue_pyspark amazon/aws-glue-libs:glue_libs_3.0.0_image_01 pyspark
-
Démarrez Visual Studio Code.
-
Sélectionnez Explorateur distant dans le menu de gauche , puis sélectionnez
amazon/aws-glue-libs:glue_libs_3.0.0_image_01
. -
Cliquez avec le bouton droit et sélectionnez Attacher au conteneur . Si une boîte de dialogue s'affiche, sélectionnez Compris .
-
ouvert
/home/glue_user/workspace/
. -
Exécutez d'abord la commande suivante dans VSCode :
export AWS_REGION=cn-northwest-x
-
Créez le script Glue PySpark, puis choisissez Exécuter .
Vous verrez le script s'exécuter avec succès.