本文介绍: 到这一步我们已经使用Glue ETL对s3桶中的数据进行了清洗分区操作。在进行上篇中的Athena操作后,我们已经可以通过Athena直接查询到清洗、分区后的数据集了。接下来,我们会通过使用APIGateway+Lambda+Athena构建一个服务器数据查询分析服务

2 数据清洗、转换

实验使用S3作为数据源

ETL:

E    extract         输入
T    transform     转换
L    load             输出

2.1 架构图

在这里插入图片描述

2.2 数据清洗

此步会将S3中的原始数据清洗成我们想要的自定义结构的数据。之后,我们可通过APIGateway+Lambda+Athena实现一个服务器数据分析服务

步骤 图例
1、入口 在这里插入图片描述
2、创建Jobs3作为数据源,则Type选择Spark,若为Kinesis等,选择Stream Spark 在这里插入图片描述
3、IAM角色需要s3与Glue权限 在这里插入图片描述
4、选择s3脚本位置,若已经完成脚本编写工作,则可以选择第二项或第三项,若无则Glue会提供默认脚本 在这里插入图片描述
5、安全配置参数 在这里插入图片描述建议添加参数enableautoscalingtrue。每次在我们执行Job任务时,会根据运行 ETL 任务的数据处理单元(DPU)的个数分配动态IP,在我们子网动态IP数低于DPU数时,Job将会执行失败此参数将会动态分配IP。
6、数据源() 在这里插入图片描述
7、数据目标(我们会将清洗后的数据存储到新的s3桶) 在这里插入图片描述
8、设计架构(在本案例中,我们会自定义脚本。所以不再在此处设计架构(此处设计后,脚本自动生成相关代码 在这里插入图片描述
9、保存 在这里插入图片描述

2.3 编辑脚本

脚本中的args参数键值需要从Job安全配置参数定义

2.3.1 连接数据源(s3)

#数据源
datasource = glueContext.create_dynamic_frame.from_catalog(database = args['db_name'], table_name = tableName, transformation_ctx = "datasource")

2.3.2. 数据结构转换

mapped_readings = ApplyMapping.apply(frame = datasource, mappings = [("lclid", "string", "meter_id", "string"), 
                                                                     ("datetime", "string", "reading_time", "string"), 
                                                                     ("KWH/hh (per half hour)", "double", "reading_value", "double")], 
                                     transformation_ctx = "mapped_readings")

2.3.2 数据结构拆分定义

mapped_readings_df = DynamicFrame.toDF(mapped_readings)

mapped_readings_df = mapped_readings_df.withColumn("obis_code", lit(""))
mapped_readings_df = mapped_readings_df.withColumn("reading_type", lit("INT"))

reading_time = to_timestamp(col("reading_time"), "yyyy-MM-dd HH:mm:ss")
mapped_readings_df = mapped_readings_df 
    .withColumn("week_of_year", weekofyear(reading_time)) 
    .withColumn("date_str", regexp_replace(col("reading_time").substr(1,10), "-", "")) 
    .withColumn("day_of_month", dayofmonth(reading_time)) 
    .withColumn("month", month(reading_time)) 
    .withColumn("year", year(reading_time)) 
    .withColumn("hour", hour(reading_time)) 
    .withColumn("minute", minute(reading_time)) 
    .withColumn("reading_date_time", reading_time) 
    .drop("reading_time")

2.3.3 清洗后的数据写入新s3

# write data to S3
filteredMeterReads = DynamicFrame.fromDF(mapped_readings_df, glueContext, "filteredMeterReads")

s3_clean_path = "s3://" + args['clean_data_bucket']

glueContext.write_dynamic_frame.from_options(
    frame = filteredMeterReads,
    connection_type = "s3",
    connection_options = {"path": s3_clean_path},
    format = "parquet",
    transformation_ctx = "s3CleanDatasink")

2.3.4 运行作业

    执行成功后,状态变为“SUCCESS”,失败将会给出失败信息,可在CloudWatch 中查看详情

在这里插入图片描述

在这里插入图片描述

清洗后的数据保存到了s3

在这里插入图片描述
数据清洗完毕后,可通过上一篇中的爬网程序步骤,将清洗后的数据的结构创建表到数据目录中,
此时我们可以使用Athena对清洗后的数据进行分析

2.4 数据分区

接下来我们对数据进行分区处理此处只提供了按天分区
重新进行数据清洗中的创建Job操作后,重写脚本

2.4.1 编辑脚本

连接数据源。表为上一步最后重新爬取生成的新表。

cleanedMeterDataSource = glueContext.create_dynamic_frame.from_catalog(database = args['db_name'], table_name = tableName, transformation_ctx = "cleanedMeterDataSource")

根据typedata_str分区

business_zone_bucket_path_daily = "s3://{}/daily".format(args['business_zone_bucket'])

businessZone = glueContext.write_dynamic_frame.from_options(frame = cleanedMeterDataSource, 
    connection_type = "s3", 
    connection_options = {"path": business_zone_bucket_path_daily, "partitionKeys": ["reading_type", "date_str"]},
    format = "parquet", 
    transformation_ctx = "businessZone")

2.4.2 运行脚本

分区后的数据结果
在这里插入图片描述
再次创建运行爬网程序,将会在数据目录生成新的分区表

2.5 总结

到这一步,我们已经使用Glue ETL对s3桶中的数据进行了清洗、分区操作。在进行上篇中的Athena操作后,我们已经可以通过Athena直接查询到清洗、分区后的数据集了。
接下来,我们会通过使用APIGateway+Lambda+Athena来构建一个服务器的数据查询分析服务

原文地址:https://blog.csdn.net/wujiesunlirong/article/details/134791685

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任

如若转载,请注明出处:http://www.7code.cn/show_42156.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱suwngjj01@126.com进行投诉反馈,一经查实,立即删除

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注