Mam źródło danych w wiadrze S3. Źródłem danych jest plik CSV z jedną kolumną "ID". Chcę użyć kleju AWS, aby ukończyć pracę ETL. Chcę wyodrębnić dane z wiadra S3, utwórz drugą kolumnę ("ID Suffix"), który jest ostatnimi dwoma elementami "ID", a następnie załaduj ten plik danych do innego wiadra S3. Jeśli więc "ID" to 1000031, chcę druga kolumna na 31.

Oto skrypt, który klej AWS stworzony do prostego zadania wyodrębniania pliku z jednego wiadra S3 i wprowadzenie go do innego. Chciałbym edytować go, aby wykonać powyższe zadanie.

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

## @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)
## @type: DataSource
## @args: [database = "stackoverflow", table_name = "sample_data_csv", transformation_ctx = "datasource0"]
## @return: datasource0
## @inputs: []
datasource0 = glueContext.create_dynamic_frame.from_catalog(database = "stackoverflow", table_name = "sample_data_csv", transformation_ctx = "datasource0")
## @type: ApplyMapping
## @args: [mapping = [("id", "int", "id", "int")], transformation_ctx = "applymapping1"]
## @return: applymapping1
## @inputs: [frame = datasource0]
applymapping1 = ApplyMapping.apply(frame = datasource0, mappings = [("id", "int", "id", "int")], transformation_ctx = "applymapping1")
## @type: DataSink
## @args: [connection_type = "s3", connection_options = {"path": "s3://aws-glue-scripts-us-west-1/Sample data"}, format = "csv", transformation_ctx = "datasink2"]
## @return: datasink2
## @inputs: [frame = applymapping1]
datasink2 = glueContext.write_dynamic_frame.from_options(frame = applymapping1, connection_type = "s3", connection_options = {"path": "s3://aws-glue-scripts-us-west-1/Sample data"}, format = "csv", transformation_ctx = "datasink2")
job.commit()
0
learner 22 listopad 2020, 05:34

1 odpowiedź

Najlepsza odpowiedź

Proponuję użyć funkcji Dataframe, ponieważ są one znacznie łatwiejsze do zrozumienia i użytkowania. W twoim przypadku możesz przekształcić swoją dynamiczną ramkę do DataFrame i zadzwoń do konfliktów Pyspark Funkcja:

from pyspark.sql import functions as F
from awsglue.dynamicframe import DynamicFrame

new_df = datasource0.toDF()\
           .withColumn("id_suffix",
                       F.substring(F.col("id"), F.length("id") - 2, 2)

A później konwertuj z powrotem do dynamicznej ramki

dynamic_frame = DynamicFrame.fromDF(dataframe=new_df, glue_ctx=my_glue_context, name="generic-name")

Funkcje Pyspark.

Ponadto nie musisz skonfigurować kontekstu transformacji na każdej funkcji, już wyjaśniłem, dlaczego Tutaj

0
Hyruma92 23 listopad 2020, 15:30