Jaké máte zkušenosti s AWS Glue, Antenna a Spark?

Pracoval jsem s AWS Glue pro bezserverové ETL úkoly, pomocí PySpark. Konfiguroval jsem spouštěče Glue na S3 události. Používal jsem AWS Data Catalog.

Nemám zkušenosti s Antenna.

Většinou jsem pracoval s Apache Spark přes PySpark pro zpracování velkých dat. Používal jsem Spark SQL pro strukturované dotazy a RDD API pro operace na nižší úrovni. Zkušenosti s nasazením Spark: místní clustery, YARN a Spark na Kubernetes.

Příklad jednoduchého ETL skriptu v PySpark pro AWS Glue:

# glue_etl_script.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

args = getResolvedOptions(sys.argv, ['JOB_NAME'])
sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)

# Čtení dat z S3
datasource0 = glueContext.create_dynamic_frame.from_options(
    format_options={"multiline": False},
    connection_type="s3",
    format="json",
    connection_options={"paths": ["s3://my-source-bucket/input_data/"], "recurse": True},
    transformation_ctx="datasource0"
)

# Transformace dat (například výběr a přejmenování sloupců)
applymapping1 = ApplyMapping.apply(
    frame=datasource0,
    mappings=[
        ("id", "long", "user_id", "long"),
        ("name", "string", "user_name", "string"),
        ("value", "double", "amount", "double")
    ],
    transformation_ctx="applymapping1"
)

# Zápis transformovaných dat zpět do S3
datasink2 = glueContext.write_dynamic_frame.from_options(
    frame=applymapping1,
    connection_type="s3",
    format="parquet",
    connection_options={"path": "s3://my-target-bucket/output_data/", "partitionKeys": []},
    transformation_ctx="datasink2"
)

job.commit()