OSSデータカタログAmundsenにGlueメタデータをロードしてみた

2021.09.15

どーもsutoです。

登録したデータに対し、「Google検索」のようにデータの検索ができるLyft社製のOSSデータカタログAmundsenというデータ検出およびメタデータエンジンがあります。

前回の記事ではAmundsenにRedshiftテーブルをロードしてみました。

今回はEC2上にセットアップしたAmundsenに、Glue内のテーブルメタデータを読み込んでみました。

AmundsenをEC2にセットアップ

  

※セットアップは上記Redshift記事と同じ手順ですので、既にAmundsenを起動している場合はスキップしてください。

本記事ではAmazon Linux2にAmundsenをセットアップしていきます。

以下の参考記事ではローカルPC(Mac)の手順やUbuntu on EC2でAthenaテーブルを読み込む手順がありますので参考に。

まずはEC2インスタンスを作成します。作成するインスタンスは主に以下のようなパラメータで作成しました。

  • インスタンスタイプ: t3.medium
  • EBS ボリューム: 20GB
  • パブリックIP:有効化
  • セキュリティグループ(SG):5000番を許可
  • IAMロール:以下のポリシー内容のIAMロールを作成してアタッチします
    • AmazonSSMManagedInstanceCore(セッションマネージャ用)
    • AWSGlueConsoleFullAccess
    • AmazonS3FullAccess

Glueテーブルは同AWSアカウントに既存で作成されているものを使用しています。

インスタンスが起動完了したらセッションマネージャでログインします。

sh-4.2$ sudo su - ec2-user
Last login: Fri Sep 10 01:02:29 UTC 2021 on pts/0
[ec2-user@ip-x-x-x-x ~]$

まずはAmundsenの要件で必要なパッケージをインストールしていきます。

sudo yum -y update
sudo yum install git
sudo yum install python3
echo 'alias python=python3.7' >> ~/.bashrc
source ~/.bashrc
python -V 
# Version3.7になることを確認
curl -sL https://rpm.nodesource.com/setup_12.x | sudo bash -
sudo yum install --enablerepo=nodesource nodejs
node -v 
# Version12になることを確認

次にDocker-composeをインストールします。

sudo amazon-linux-extras install -y docker
sudo systemctl enable docker
sudo systemctl start  docker
sudo usermod -a -G docker ec2-user
sudo curl -L https://github.com/docker/compose/releases/download/1.28.5/docker-compose-`uname -s`-`uname -m` -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
sudo gpasswd -a $USER docker
docker-compose --version
# バージョンが表示されることを確認

ここでインスタンスを再起動を行い、Docker-composeをインストール完了です。

再びログイン後、Elasticsearchのメモリ上限を上げておきます。

sudo vi /etc/sysctl.conf
# vm.max_map_count=262144に変更して保存
sudo sysctl -p
/sbin/sysctl -a
# 変更されていることを確認

git cloneでAmundsenをインストールしてビルド、起動します。

git clone --recursive https://github.com/amundsen-io/amundsen.git
cd amundsen
docker-compose -f docker-amundsen.yml up -d
# docker-compose -f docker-amundsen.yml logs -f)ログ記録

これで初期設定は完了です。ブラウザでhttp://<EC2のパブリックIP>:5000にアクセスしAmundsenのWeb画面が表示されることを確認しておきます。

Glueの読み込み

仮想環境を立ち上げ、GlueデータロードのPythonスクリプト実行に必要なモジュールをインストールします。その後setup.pyを実行します。

cd ~/amundsen/databuilder
python3 -m venv venv
source venv/bin/activate
# (venv) $ (ここからvenv環境下で実行します)
pip3 install --upgrade pip
pip3 install -r requirements.txt
pip install boto3
python3 setup.py install

※boto3で認証情報を渡すので、aws condfigureなどでCredentialsを設定しておきます。

スクリプトを実行することで、対象アカウント内のGlueデータカタログを全て取得することができます。

python3 example/scripts/sample_glue_loader.py

検索していて気づいたのですが、上の画面のようにハイフン(-)やアンダーバー(_)で区切られているところまで入力すればテーブル名の一部でも検索結果に出てくれました。

【参考】指定したGlueテーブル名のみを取得する場合

特定のテーブルのみを取得するようにFilterをかけることができます。

実行スクリプトであるsample_postgres_loader.pyを以下のように編集します。

vi example/scripts/sample_glue_loader.py
def create_glue_extractor_job(filter_key: []):
   # ~~省略~~
   'extractor.glue.{}'.format(GlueExtractor.FILTER_KEY): filter_key,
   # ~~省略~~

if __name__ == "__main__":
    filter = [{
        'Key': 'Name',
        'Value': '<既存のglueテーブル名>',
    }] # glueのaccountsでfilter
    glue_job = create_glue_extractor_job(filter)
    glue_job.launch()

    es_job = create_es_publisher_job()
    es_job.launch()

スクリプトを実行すると、スクリプトに記述したテーブルのみを取得することができます。