如何解决Glue crawler 没有合并数据 - 表格中也没有可见数据
我正在测试这个架构:Kinesis Firehose → S3 → Glue → Athena。现在我使用的是由 Kinesis 生成的虚拟数据,每一行看起来像这样:{"ticker_symbol":"NFLX","sector":"TECHNOLOGY","change":-1.17,"price":97.83}
但是,有两个问题。首先,Glue Crawler 为每个文件创建一个单独的表。我读过如果模式匹配 Glue 应该只提供一张表。正如您在下面的屏幕截图中看到的,架构是相同的。在 Crawler 选项中,我尝试打开和关闭 Create a single schema for each S3 path
,但没有变化。
文件也位于同一路径中,这将我引向第二个问题:查询这些表时,Athena 不显示任何数据。这可能是因为文件共享一个文件夹 - 我已经阅读了 here,第 1 点,并多次测试。如果我从 S3 文件夹中删除除一个文件之外的所有文件并进行爬网,Athena 会显示数据。
我可以强制 Kinesis 将每个文件放在一个单独的文件夹中,或者 Glue 将这些数据记录在一个表中吗?
解决方法
关于 AWS Glue 创建单独的表,可能有一些基于 AWS documentation 的原因:
- 确认这些文件使用与其余源数据相同的架构、格式和压缩类型。这似乎不是您的问题,但仍要确保我建议您使用较小的文件对其进行测试,方法是删除每个文件中除少数行之外的所有行。
- 在创建爬网程序时通过选择为每个 S3 路径创建单个架构来组合兼容的架构。对于这种情况,文件架构应该相似,应该启用设置,并且数据应该兼容。如需更多信息,请参阅How to Create a Single Schema for Each Amazon S3 Include Path。
- 使用 CSV 数据时,请确保始终使用标头。如果您的某些文件有标头而某些没有标头,则爬网程序会创建多个表
另一个非常重要的一点是,您应该在根目录下有一个文件夹,在其中应该有分区子文件夹。如果您在 S3 存储桶级别有分区,则不会创建一张表。(Sandeep 在此 Stackoverflow Question 中提到)
我希望这可以帮助您解决问题。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。