Milyen tapasztalata van az AWS Glue, Antenna és Spark használatában?

Szerver nélküli ETL feladatokhoz az AWS Glue-t használtam, PySpark segítségével. Glue triggereket állítottam be S3 eseményekhez. Az AWS Data Catalog-ot használtam.

Az Antenna-val nem volt tapasztalatom.

Főként PySpark-on keresztül az Apache Spark-kal dolgoztam nagy adatok feldolgozására. Spark SQL-t használtam strukturált lekérdezésekhez és RDD API-t alacsony szintű műveletekhez. Spark telepítési tapasztalat: helyi klaszterek, YARN és Spark Kubernetes-en.

Egyszerű ETL szkript példája PySpark-ban az AWS Glue-hoz:

# 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)

# Adatok olvasása S3-ból
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"
)

# Adatok átalakítása (pl. oszlopok kiválasztása és átnevezése)
applymapping1 = ApplyMapping.apply(
    frame=datasource0,
    mappings=[
        ("id", "long", "user_id", "long"),
        ("name", "string", "user_name", "string"),
        ("value", "double", "amount", "double")
    ],
    transformation_ctx="applymapping1"
)

# Átalakított adatok visszaírása S3-ba
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()