[Amazon Athena]S3バケットとDynamoDBに保管されたデータのJOIN処理をAthenaでやってみた

2021.02.01

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

こんにちは、CX事業本部の若槻です。

今回は、S3バケットとDynamoDBに保管されたデータのJOIN処理をAthenaでやってみました。

やりたいこと

下記のようなS3バケットに収集されたIoTデバイスデータと、DynamoDBテーブルで定義されたデバイスマスターデータを、Amazon Athenaで内部結合(INNER JOIN)してみます。

  • IoTデバイスデータ(S3バケット)
device_id timestamp state
device1 1609348014 true
device2 1609348014 false
device3 1609348014 true
device3 1609348014 false
device4 1609348014 false
  • デバイスマスターデータ(DynamoDBテーブル)
deviceId deviceName
device1 デバイス1
device2 デバイス2
device3 デバイス3
  • JOIN後のデータ
device_id device_name timestamp state
device1 デバイス1 1609348014 true
device2 デバイス2 1609348014 false
device3 デバイス3 1609348014 true
device3 デバイス3 1609348014 false

やってみた

環境作成

CloudFormationスタック

CloudFormationスタックのテンプレートです。

template.yaml

AWSTemplateFormatVersion: '2010-09-09'

Resources:
  DeviceMasterDynamoDBTable:
    Type: AWS::DynamoDB::Table
    Properties: 
      TableName: device_master
      BillingMode: PAY_PER_REQUEST
      AttributeDefinitions:
        -
          AttributeName: deviceId
          AttributeType: S
      KeySchema:
        -
          AttributeName: deviceId
          KeyType: HASH

  DevicesRawDataBucket:
    Type: AWS::S3::Bucket
    Properties: 
      BucketName: !Sub devices-raw-data-${AWS::AccountId}-${AWS::Region}

  DevicesDataAnalyticsBucket:
    Type: AWS::S3::Bucket
    Properties: 
      BucketName: !Sub devices-data-analytics-${AWS::AccountId}-${AWS::Region}

  DevicesDataAnalyticsGlueDatabase:
    Type: AWS::Glue::Database
    Properties: 
      CatalogId: !Ref AWS::AccountId
      DatabaseInput:
        Name: devices_data_analystics

  DevicesRawDataGlueTable:
    Type: AWS::Glue::Table
    Properties:
      CatalogId: !Ref AWS::AccountId
      DatabaseName: !Ref DevicesDataAnalyticsGlueDatabase
      TableInput:
        Name: devices_raw_data
        TableType: EXTERNAL_TABLE
        Parameters:
          has_encrypted_data: false
          serialization.encoding: utf-8
          EXTERNAL: true
        StorageDescriptor:
          OutputFormat: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
          Columns:
            - Name: device_id
              Type: string
            - Name: timestamp
              Type: bigint
            - Name: state
              Type: boolean
          InputFormat: org.apache.hadoop.mapred.TextInputFormat
          Location: !Sub s3://${DevicesRawDataBucket}/raw-data
          SerdeInfo:
            Parameters:
              paths: "device_id, timestamp, state"
            SerializationLibrary: org.apache.hive.hcatalog.data.JsonSerDe

DeviceMasterDynamoDBTableがデバイスマスターデータとなるDynamoDBテーブル、DevicesRawDataBucketがIoTデバイスデータが格納されるS3バケットのリソース定義となります。

スタックをデプロイします。

% aws cloudformation deploy \
  --template-file template.yaml \
  --stack-name devices-data-analytics-stack \
  --capabilities CAPABILITY_NAMED_IAM \
  --no-fail-on-empty-changeset

Engine Version 2のAthena WorkGroupの作成

Athenaでのクエリ実行時に、Engine Version 2のAthena WorkGroupを使用する必要がありますが、Engine Version 2の場合はマネジメントコンソールからのみ作成可能です。下記を参考に作成します。

DynamoDBへのデータソース接続の作成

下記を参考にAthenaからDynamoDBへFederated Queryにより接続可能となるデータソース接続を作成します。

JOIN元となるデータの投入

DynamoDBテーブルdevice_masterにデータを投入します。

request-items.json

{
  "device_master": [
    {
      "PutRequest": {
        "Item": {
          "deviceId": {"S": "device1"},
          "deviceName": {"S": "デバイス1"}
        }
      }
    },
    {
      "PutRequest": {
        "Item": {
          "deviceId": {"S": "device2"},
          "deviceName": {"S": "デバイス2"}
        }
      }
    },
    {
      "PutRequest": {
        "Item": {
          "deviceId": {"S": "device3"},
          "deviceName": {"S": "デバイス3"}
        }
      }
    }
  ]
}
% aws dynamodb batch-write-item \
  --request-items file://request-items.json

GlueテーブルのLocationとなるS3バケットのパスにデータとなるオブジェクトを作成します。

raw-data.json

{"device_id": "device1", "timestamp": 1609348014, "state": true}
{"device_id": "device2", "timestamp": 1609348014, "state": false}
{"device_id": "device3", "timestamp": 1609348014, "state": true}
{"device_id": "device3", "timestamp": 1609348014, "state": false}
{"device_id": "device4", "timestamp": 1609348014, "state": false}
% AWS_REGION=ap-northeast-1
% ACCOUNT_ID=$(aws sts get-caller-identity | jq -r ".Account")
% RAW_DATA_BUCKET=s3://devices-raw-data-${ACCOUNT_ID}-${AWS_REGION}
% GLUE_DATABASE_NAME=devices_data_analystics
% RAW_DATA_GLUE_TABLE_NAME=devices_raw_data
% aws s3 cp raw-data.json \
  ${RAW_DATA_BUCKET}/raw-data/raw-data.json

データをJOINしてみる

Athenaのマネジメントコンソールから、Engine Version 2のWorkGroupを使用して以下のクエリを実行します。

WITH
  device_master AS (
    SELECT *
    FROM
      "MyDynamoDBCatalog"."lambda:dynamodb"."device_master"
  ),
  device_raw_data AS (
    SELECT *
    FROM
      "AwsDataCatalog"."devices_data_analystics"."devices_raw_data"
  )

SELECT
  device_raw_data.device_id,
  device_master.deviceName AS device_name,
  device_raw_data.timestamp,
  device_raw_data.state
FROM
  device_raw_data
INNER JOIN
  device_master
ON
  device_raw_data.device_id = device_master.deviceId

JOIN後のデータが取得できていますね。

おわりに

S3バケットとDynamoDBに保管されたデータのJOIN処理をAthenaでやってみました。

異なるデータソースからのデータ取得、かつ一方がFederated Queryという条件でしたので同じクエリ内でのデータ取得ができるか分からなかったのですが、今回できることが確認できて良かったです。

これで後はJOIN後のデータをCTASやINSERT INTOを組み合わせて別のテーブルに吐き出すようにすれば、コストの高いGlueジョブを使わなくてもAthenaだけで実装できるETL処理の幅がグンと広がりますね。

参考

以上