Ի՞նչ փորձ ունեք AWS Glue, Antenna և Spark-ով աշխատելու վերաբերյալ։

Ես աշխատել եմ AWS Glue-ով սերվերազուրկ ETL առաջադրանքների համար, օգտագործելով PySpark։ Կարգավորել եմ Glue-ի հրամանները S3 իրադարձությունների համար։ Օգտագործել եմ AWS Data Catalog-ը։

Antena-ի հետ փորձառություն չունեմ։

Հիմնականում աշխատել եմ Apache Spark-ով PySpark-ի միջոցով մեծ տվյալների մշակման համար։ Օգտագործել եմ Spark SQL-ը կառուցվածքային հարցումների համար և RDD API-ն ցածր մակարդակի գործողությունների համար։ Spark-ի տեղակայման փորձառություն ունեմ՝ տեղական կլաստերներ, YARN և Spark Kubernetes-ում։

Նմուշ պարզ ETL սցենարի PySpark-ում AWS Glue-ի համար՝

# 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)

# S3-ից տվյալների ընթերցում
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"
)

# Տվյալների վերամշակում (օրինակ՝ սյունակների ընտրություն և վերանվանում)
applymapping1 = ApplyMapping.apply(
    frame=datasource0,
    mappings=[
        ("id", "long", "user_id", "long"),
        ("name", "string", "user_name", "string"),
        ("value", "double", "amount", "double")
    ],
    transformation_ctx="applymapping1"
)

# Վերամշակված տվյալների գրառում S3-ում
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()