AWS Glue：ETL 作业会创建许多空输出文件

Question

我对此很陌生，所以不确定这个脚本是否可以简化/如果我做错了什么导致这种情况发生。 我为 AWS Glue 编写了一个 ETL 脚本，该脚本写入 S3 存储桶中的目录。

import sys
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.dynamicframe import DynamicFrame
from awsglue.job import Job

## @params: [JOB_NAME]
args = getResolvedOptions(sys.argv, ['JOB_NAME'])

sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)

# catalog: database and table names
db_name = "events"
tbl_base_event_info = "base_event_info"
tbl_event_details = "event_details"

# output directories
output_dir = "s3://whatever/output"

# create dynamic frames from source tables
base_event_source = glueContext.create_dynamic_frame.from_catalog(database = db_name, table_name = tbl_base_event_info)
event_details_source = glueContext.create_dynamic_frame.from_catalog(database = db_name, table_name = tbl_event_details)

# join frames
base_event_source_df = workout_event_source.toDF()
event_details_source_df = workout_device_source.toDF()
enriched_event_df = base_event_source_df.join(event_details_source_df, "event_id")
enriched_event = DynamicFrame.fromDF(enriched_event_df, glueContext, "enriched_event")

# write frame to json files 
datasink = glueContext.write_dynamic_frame.from_options(frame = enriched_event, connection_type = "s3", connection_options = {"path": output_dir}, format = "json")
job.commit()

base_event_info表有 4 列： event_id 、 event_name 、 platform 、 client_info event_details表有 2 列： event_id 、 event_details

连接表架构应如下所示： event_id 、 event_name 、 platform 、 client_info 、 event_details

运行此作业后，我希望获得 2 个 json 文件，因为这是结果连接表中的记录数。 （表中有两条记录具有相同的event_id ）但是，我得到的是大约 200 个文件，格式为run-1540321737719-part-r-00000 、 run-1540321737719-part-r-00001等：

• 198 个文件包含 0 个字节
• 2 个文件包含 250 个字节（每个文件都有对应于丰富事件的正确信息）

这是预期的行为吗？ 为什么这项工作会产生这么多空文件？ 我的脚本有问题吗？

Answer 1

Spark SQL 模块包含以下默认配置：

spark.sql.shuffle.partitions 设置为 200。

这就是为什么您首先要获得 200 个文件的原因。 您可以通过执行以下操作来检查是否是这种情况：

enriched_event_df.rdd.getNumPartitions()

如果您得到 200 的值，那么您可以使用以下代码将其更改为要生成的文件数：

enriched_event_df.repartition(2)

上面的代码将只使用您的数据创建两个文件。

Answer 2

根据我的经验，空输出文件指向转换错误。 您可以使用错误函数调试这些。

顺便提一句。 为什么要使用 Spark DataFrames 而不是 DynamicFrames 进行连接？

Answer 3

您可以通过 spark sql 转换步骤将column like timestamp之column like timestamp添加到数据帧中，而不是重新分区，并在将数据帧写入 S3 时将其添加为分区键

例如： select replace(replace(replace(string(date_trunc('HOUR',current_timestamp())),'-',''),':',''),' ','') as datasetdate, * from myDataSource;

写入动态datasetdate时使用datasetdate作为partitionkey ，粘合作业应该能够自动添加分区