Autenticación con la integración de Amazon Redshift para Apache Spark

AWS Secrets Manager Utilización para recuperar credenciales y conectarse a Amazon Redshift

El siguiente ejemplo de código muestra cómo recuperar credenciales AWS Secrets Manager para conectarse a un clúster de Amazon Redshift con la PySpark interfaz de Apache Spark en Python.

from pyspark.sql import SQLContext
import boto3

sc = # existing SparkContext
sql_context = SQLContext(sc)

secretsmanager_client = boto3.client('secretsmanager')
secret_manager_response = secretsmanager_client.get_secret_value(
    SecretId='string',
    VersionId='string',
    VersionStage='string'
)
username = # get username from secret_manager_response
password = # get password from secret_manager_response
url = "jdbc:redshift://redshifthost:5439/database?user=" + username + "&password=" + password

# Read data from a table
df = sql_context.read \
    .format("io.github.spark_redshift_community.spark.redshift") \
    .option("url", url) \
    .option("dbtable", "my_table") \
    .option("tempdir", "s3://path/for/temp/data") \
    .load()

IAMUtilización para recuperar credenciales y conectarse a Amazon Redshift

Puede utilizar el controlador de la JDBC versión 2 proporcionado por Amazon Redshift para conectarse a Amazon Redshift con el conector Spark. Para usar AWS Identity and Access Management (IAM), configure la autenticación para usar. JDBC URL IAM Para conectarte a un clúster de Redshift desde AmazonEMR, debes dar permiso a tu IAM rol para recuperar las credenciales temporalesIAM. Asigne los siguientes permisos a su IAM función para que pueda recuperar las credenciales y ejecutar las operaciones de Amazon S3.

• Redshift: GetClusterCredentials (para clústeres de Amazon Redshift aprovisionados)

• Redshift: DescribeClusters (para clústeres de Amazon Redshift aprovisionados)

• Redshift: GetWorkgroup (para grupos de trabajo sin servidor de Amazon Redshift)

• Redshift: GetCredentials (para grupos de trabajo sin servidor de Amazon Redshift)

• s3: GetBucket

• s3: GetBucketLocation

• s3: GetObject

• s3: PutObject

• s3: GetBucketLifecycleConfiguration

Para obtener más información sobre GetClusterCredentials, consulte Políticas de recursos de GetClusterCredentials.

También debe asegurarse de que Amazon Redshift pueda asumir esa IAM función durante COPY las UNLOAD operaciones.

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": "redshift.amazonaws.com"
            },
            "Action": "sts:AssumeRole"
        }
    ]
}

En el siguiente ejemplo, se utiliza la IAM autenticación entre Spark y Amazon Redshift:

from pyspark.sql import SQLContext
import boto3

sc = # existing SparkContext
sql_context = SQLContext(sc)

url = "jdbc:redshift:iam//redshift-host:redshift-port/db-name"
iam_role_arn = "arn:aws:iam::account-id:role/role-name"

# Read data from a table
df = sql_context.read \
    .format("io.github.spark_redshift_community.spark.redshift") \
    .option("url", url) \
    .option("aws_iam_role", iam_role_arn) \
    .option("dbtable", "my_table") \
    .option("tempdir", "s3a://path/for/temp/data") \
    .mode("error") \
    .load()