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。
AWS Glueでは、パーティション分割を行うことによりデータの整理や効率的なクエリ実行を行うことが可能です。
今回は、パーティション化されていないパス配下のS3オブジェクトからデータを取得できるか確認してみました。
確認方法
- S3バケット上にHive形式のパスを持つオブジェクト
raw-data/year=XXXX/month=XX/day=XX/object.json
を作成 - S3バケットの
raw-data
をLocationとし、パーティションを指定しないGlueテーブルを作成 - Glueテーブルからデータを以下の2通りの方法で取得してみる
- Athenaから
SELECT
クエリで取得 - Glueジョブから
create_dynamic_frame.from_catalog()
で取得
- Athenaから
やってみた
まず最初に以降のコマンド実行で使用する変数を定義しておきます。
% AWS_REGION=ap-northeast-1
% ACCOUNT_ID=$(aws sts get-caller-identity | jq -r ".Account")
% RAW_DATA_BUCKET=s3://devices-raw-data-${ACCOUNT_ID}-${AWS_REGION}
% DATA_ANALYTICS_BUCKET=s3://devices-data-analytics-${ACCOUNT_ID}-${AWS_REGION}
% GLUE_DATABASE_NAME=devices_data_analystics
% RAW_DATA_GLUE_TABLE_NAME=devices_raw_data
% ATHENA_WORK_GROUP_NAME=devices-data-analytics
% ETL_GLUE_JOB_NAME=devices-data-etl
環境構築
動作確認環境を作成します。
CloudFormationスタック
CloudFormationスタックのテンプレートです。(長いため折りたたんでいます。)
クリックで展開
template.yaml
AWSTemplateFormatVersion: '2010-09-09'
Resources:
DevicesRawDataBucket:
Type: AWS::S3::Bucket
Properties:
BucketName: !Sub devices-raw-data-${AWS::AccountId}-${AWS::Region}
DevicesDataAnalyticsAthenaWorkGroup:
Type: AWS::Athena::WorkGroup
Properties:
Name: devices-data-analytics
WorkGroupConfiguration:
ResultConfiguration:
OutputLocation: !Sub s3://${DevicesRawDataBucket}/query-result
EnforceWorkGroupConfiguration: true
PublishCloudWatchMetricsEnabled: true
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://${DevicesRawDataBucket}/raw-data
SerdeInfo:
Parameters:
paths: "device_id, timestamp, state"
SerializationLibrary: org.apache.hive.hcatalog.data.JsonSerDe
DevicesIntegratedDataGlueTable:
Type: AWS::Glue::Table
Properties:
CatalogId: !Ref AWS::AccountId
DatabaseName: !Ref DevicesDataAnalyticsGlueDatabase
TableInput:
Name: devices_integrated_data
TableType: EXTERNAL_TABLE
Parameters:
has_encrypted_data: false
serialization.encoding: utf-8
EXTERNAL: true
StorageDescriptor:
OutputFormat: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
Columns:
- Name: device_id
Type: string
- Name: timestamp
Type: bigint
- Name: state
Type: boolean
InputFormat: org.apache.hadoop.mapred.TextInputFormat
Location: !Sub s3://${DevicesDataAnalyticsBucket}/integrated-data
SerdeInfo:
Parameters:
paths: "device_id, timestamp, state"
SerializationLibrary: org.apache.hive.hcatalog.data.JsonSerDe
ExecuteDevicesDataETLGlueJobRole:
Type: AWS::IAM::Role
Properties:
AssumeRolePolicyDocument:
Version: 2012-10-17
Statement:
-
Effect: Allow
Principal:
Service:
- glue.amazonaws.com
Action:
- sts:AssumeRole
Policies:
- PolicyName: devices-data-etl-glue-job-policy
PolicyDocument:
Version: 2012-10-17
Statement:
-
Effect: Allow
Action:
- glue:StartJobRun
Resource:
- !Sub arn:aws:glue:${AWS::Region}:${AWS::AccountId}:job/devices-data-etl
-
Effect: Allow
Action:
- glue:GetPartition
- glue:GetPartitions
- glue:GetTable
Resource:
- !Sub arn:aws:glue:${AWS::Region}:${AWS::AccountId}:catalog
- !Sub arn:aws:glue:${AWS::Region}:${AWS::AccountId}:database/${DevicesDataAnalyticsGlueDatabase}
- !Sub arn:aws:glue:${AWS::Region}:${AWS::AccountId}:table/${DevicesDataAnalyticsGlueDatabase}/${DevicesRawDataGlueTable}
- !Sub arn:aws:glue:${AWS::Region}:${AWS::AccountId}:table/${DevicesDataAnalyticsGlueDatabase}/${DevicesIntegratedDataGlueTable}
-
Effect: Allow
Action:
- s3:ListBucket
- s3:GetBucketLocation
Resource:
- arn:aws:s3:::*
-
Effect: Allow
Action:
- logs:CreateLogStream
- logs:CreateLogGroup
- logs:PutLogEvents
Resource: !Sub arn:aws:logs:${AWS::Region}:${AWS::AccountId}:log-group:/aws-glue/jobs/*
-
Effect: Allow
Action:
- s3:GetObject
Resource:
- !Sub arn:aws:s3:::${DevicesRawDataBucket}/raw-data/*
- !Sub arn:aws:s3:::${DevicesDataAnalyticsBucket}/glue-job-script/devices-data-etl.py
-
Effect: Allow
Action:
- s3:GetObject
- s3:PutObject
Resource:
- !Sub arn:aws:s3:::${DevicesDataAnalyticsBucket}/glue-job-temp-dir/*
-
Effect: Allow
Action:
- s3:PutObject
Resource:
- !Sub arn:aws:s3:::${DevicesDataAnalyticsBucket}/integrated-data/*
DevicesDataETLGlueJob:
Type: AWS::Glue::Job
Properties:
Name: devices-data-etl
Command:
Name: glueetl
PythonVersion: 3
ScriptLocation: !Sub s3://${DevicesDataAnalyticsBucket}/glue-job-script/devices-data-etl.py
DefaultArguments:
--job-language: python
--job-bookmark-option: job-bookmark-enable
--TempDir: !Sub s3://${DevicesDataAnalyticsBucket}/glue-job-temp-dir
--GLUE_DATABASE_NAME: !Sub ${DevicesDataAnalyticsGlueDatabase}
--RAW_DATA_GLUE_TABLE_NAME: !Sub ${DevicesRawDataGlueTable}
--INTEGRATED_DATA_GLUE_TABLE_NAME: !Sub ${DevicesIntegratedDataGlueTable}
GlueVersion: 2.0
ExecutionProperty:
MaxConcurrentRuns: 1
MaxRetries: 0
Role: !Ref ExecuteDevicesDataETLGlueJobRole
今回オブジェクトの取得対象とするデータソースのGlueテーブルDevicesRawDataGlueTable
は、S3オブジェクトのパスをあえてパーティション化しないため、パーティションスキーマの指定はしていません。
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
Glueジョブスクリプト
データソースから取得したデータを変更を加えずデータターゲットに書き込むだけのPySparkスクリプトとなっています。(長いため折りたたんでいます。)
クリックで展開
devices-data-etl.py
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
from awsglue.dynamicframe import DynamicFrame
args = getResolvedOptions(
sys.argv,
[
'JOB_NAME',
'GLUE_DATABASE_NAME',
'RAW_DATA_GLUE_TABLE_NAME',
'INTEGRATED_DATA_GLUE_TABLE_NAME'
]
)
sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)
df = glueContext.create_dynamic_frame.from_catalog(
database = args['GLUE_DATABASE_NAME'],
table_name = args['RAW_DATA_GLUE_TABLE_NAME'],
transformation_ctx = 'datasource'
).toDF()
df.show()
dyf = DynamicFrame.fromDF(
df,
glueContext,
'integrated_data'
)
glueContext.write_dynamic_frame.from_catalog(
frame = dyf,
database = args['GLUE_DATABASE_NAME'],
table_name = args['INTEGRATED_DATA_GLUE_TABLE_NAME'],
transformation_ctx = 'datasink'
)
job.commit()
スクリプトをS3バケットにアップロードします。
% aws s3 cp devices-data-etl.py \
${DATA_ANALYTICS_BUCKET}/glue-job-script/devices-data-etl.py
データソースへのデータ作成
パーティション化されていないパスを持つデータをS3バケットに作成します。
raw-data.json
{"device_id": "3ff9c44a", "timestamp": 1609348014, "state": true}
% aws s3 cp raw-data.json \
${RAW_DATA_BUCKET}/raw-data/year=2021/month=01/day=13/raw-data.json
念の為確認してみると、データカタログにパーティションは作成されていない状態となっています。
% aws glue get-partitions \
--database-name ${GLUE_DATABASE_NAME} \
--table-name ${RAW_DATA_GLUE_TABLE_NAME}
{
"Partitions": []
}
データの取得
Athenaクエリによる取得
AthenaでクエリSELECT * FROM ${RAW_DATA_GLUE_TABLE_NAME}
を実行して、先程アップロードしたオブジェクトのデータを取得してみます。
% QueryExecutionId=$( \
aws athena start-query-execution \
--query-string "SELECT * FROM ${RAW_DATA_GLUE_TABLE_NAME}" \
--work-group ${ATHENA_WORK_GROUP_NAME} \
--query-execution-context Database=${GLUE_DATABASE_NAME},Catalog=AwsDataCatalog \
--query QueryExecutionId \
--output text \
)
クエリの実行結果を取得すると、データが取得できています。ただし、year
、month
、day
はパーティションスキーマとしては認識されていないようです。(Glueテーブルで定義していないので当然ですね)
% aws athena get-query-results --query-execution-id $QueryExecutionId
{
"ResultSet": {
"Rows": [
{
"Data": [
{
"VarCharValue": "device_id"
},
{
"VarCharValue": "timestamp"
},
{
"VarCharValue": "state"
}
]
},
{
{
"Data": [
{
"VarCharValue": "3ff9c44a"
},
{
"VarCharValue": "1609348014"
},
{
"VarCharValue": "true"
}
]
}
],
"ResultSetMetadata": {
"ColumnInfo": [
{
"CatalogName": "hive",
"SchemaName": "",
"TableName": "",
"Name": "device_id",
"Label": "device_id",
"Type": "varchar",
"Precision": 2147483647,
"Scale": 0,
"Nullable": "UNKNOWN",
"CaseSensitive": true
},
{
"CatalogName": "hive",
"SchemaName": "",
"TableName": "",
"Name": "timestamp",
"Label": "timestamp",
"Type": "bigint",
"Precision": 19,
"Scale": 0,
"Nullable": "UNKNOWN",
"CaseSensitive": false
},
{
"CatalogName": "hive",
"SchemaName": "",
"TableName": "",
"Name": "state",
"Label": "state",
"Type": "boolean",
"Precision": 0,
"Scale": 0,
"Nullable": "UNKNOWN",
"CaseSensitive": false
}
]
}
},
"UpdateCount": 0
}
Glueジョブによる取得
ジョブのスクリプト中でcreate_dynamic_frame.from_catalog()
によるデータソースからの取得データをshow()
で出力するようにしています。ジョブを実行してその出力を確認してみます。
% JobRunId=$(
aws glue start-job-run --job-name ${ETL_GLUE_JOB_NAME} \
--query JobRunId \
--output text
)
ジョブのCloudWatch Logsへの出力結果を取得すると、DataFrameのデータが0件なので、データソースからデータが取得できていないでようです。
% aws logs get-log-events \
--log-group-name /aws-glue/jobs/output \
--log-stream-name ${JobRunId} \
--query "events[].[message]" \
--output text
++
||
++
++
まとめ
パーティション化されていないパス配下のS3オブジェクトのデータは、
- Athenaからのクエリ実行であれば取得可能
- ただし、パスをHive形式としていてもパーティションスキーマとして値は取得されない
- Glueジョブ(
create_dynamic_frame.from_catalog()
)では取得不可
となりました。要するにオブジェクトがフォルダ配下にある場合のデータ取得はAthenaはOK、GlueジョブはNGということですね。
おわりに
パーティション化されていないパス配下のS3オブジェクトからデータを取得できるか確認してみました。
GlueやAthenaを触り始めた頃はこの仕様にとても混乱させられたのでちゃんと区別することを意識したいですね。
参考
- --query オプションを使用して出力をフィルタリングする方法 | AWS CLI からのコマンド出力の制御 - AWS Command Line Interface
- start-query-execution — AWS CLI 1.18.213 Command Reference
- get-query-results — AWS CLI 1.18.213 Command Reference
- Amazon CloudWatch LogsのログをAWS CLIでいい感じに取得する - Qiita
以上