AWS Glue-选择动态文件

Question

有谁知道如何从S3存储桶中获取动态文件？ 我在S3存储桶上安装了搜寻器，但是我的问题是，每天都会有新文件带有YYYY-MM-DD-HH-MM-SS后缀。

当我通过目录读取表时，它会读取目录中存在的所有文件？ 是否可以动态选择给定日期的最新三个文件并将其用作源？

谢谢！

Answer 1

如果文件位于同一位置，则无需重新运行搜寻器。 例如，如果您的数据文件夹为s3://bucket/data/<files>则可以向其中添加新文件并运行ETL作业-新文件将自动被拾取。

但是，如果数据到达新分区（如s3://bucket/data/<year>/<month>/<day>/<files>则您需要运行MSCK REPAIR TABLE <catalog-table-name>器或执行MSCK REPAIR TABLE <catalog-table-name>在Athena中使用MSCK REPAIR TABLE <catalog-table-name>在开始Glue ETL作业之前在Glue Catalog中注册新分区。

当数据加载到DynamicFrame或spark的DataFrame中时，您可以应用一些过滤器以仅使用所需的数据。 如果仍要使用文件名，则可以使用input_file_name spark函数将其添加为列，然后应用过滤：

from pyspark.sql.functions import col, input_file_name

df.withColumn("filename", input_file_name)
  .where(col("filename") == "your-filename")

如果您控制文件的发送方式，建议您将其放入分区（指示日期的子文件夹，即/data/<year>/<month>/<day>/或/data/<year-month-day>/ ），以便您可以从在AWS Glue中使用下推谓词中受益