Connettore Google Cloud Storage per Amazon Athena

Il connettore Google Cloud Storage di Amazon Athena consente ad Amazon Athena di eseguire query su file Parquet e CSV archiviati in un bucket Google Cloud Storage (GCS). Dopo aver raggruppato uno o più file Parquet o CSV in una cartella partizionata o non partizionata in un bucket GCS, sarà possibile organizzarli in una tabella di database AWS Glue.

Se hai abilitato Lake Formation nel tuo account, il ruolo IAM per il connettore Lambda federato Athena che hai implementato nel file AWS Serverless Application Repository deve avere accesso in lettura in Lake Formation per il AWS Glue Data Catalog.

Prerequisiti

• Configura un database AWS Glue e una tabella corrispondenti al tuo bucket e alle tue cartelle in Google Cloud Storage. Per i passaggi, consulta Configurazione di database e tabelle in AWS Glue più avanti in questo documento.

• Implementa il connettore sul tuo Account AWS utilizzando la console Athena o AWS Serverless Application Repository. Per ulteriori informazioni, consultare Distribuzione di un connettore origine dati o Utilizzo di AWS Serverless Application Repository per distribuire un connettore origine dati.

Restrizioni

• Le operazioni di scrittura DDL non sono supportate.

• Eventuali limiti Lambda pertinenti. Per ulteriori informazioni, consulta la sezione Quote Lambda nella Guida per gli sviluppatori di AWS Lambda.

• Attualmente, il connettore supporta solo il tipo di colonne di partizione VARCHAR (string o varchar in uno schema di tabella AWS Glue). Altri tipi di campi di partizione generano errori quando vengono interrogati in Athena.

Termini

I seguenti termini si riferiscono al connettore GCS.

• Gestore: un gestore Lambda che accede al bucket GCS. Un gestore può gestire i metadati o i record di dati.

• Metadata handler (Gestore dei metadati): un gestore Lambda che recupera i metadati dal bucket GCS.

• Record handler (Gestore dei record): un gestore Lambda che recupera i record di dati dal bucket GCS.

• Composite handler (Gestore composito): un gestore Lambda che recupera sia i metadati sia i record di dati dal bucket GCS.

Tipi di file supportati

Il connettore GCS supporta i tipi di file Parquet e CSV.

Nota

Assicurati di non inserire entrambi i file CSV e Parquet nello stesso bucket o percorso GCS. Ciò potrebbe causare un errore di runtime quando si prova a leggere i file Parquet come CSV o viceversa.

Parametri

Utilizza le variabili di ambiente Lambda illustrate in questa sezione per configurare il connettore GCS.

• spill_bucket: specifica il bucket Amazon S3 per i dati che superano i limiti della funzione Lambda.

• spill_prefix: (facoltativo) per impostazione predefinita, viene utilizzata una sottocartella nello spill_bucket specificato chiamata athena-federation-spill. Ti consigliamo di configurare un ciclo di vita dell'archiviazione di Amazon S3 in questa posizione per eliminare gli spill più vecchi di un numero predeterminato di giorni o ore.

• spill_put_request_headers: (facoltativo) una mappa codificata in JSON delle intestazioni e dei valori della richiesta per la richiesta putObject di Amazon S3 utilizzata per lo spill (ad esempio, {"x-amz-server-side-encryption" : "AES256"}). Per altre possibili intestazioni, consulta l'argomento relativo a PutObject nella Documentazione di riferimento dell'API di Amazon Simple Storage Service.

• kms_key_id: (facoltativo) per impostazione predefinita, tutti i dati riversati in Amazon S3 vengono crittografati utilizzando la modalità di crittografia autenticata AES-GCM e una chiave generata casualmente. Per fare in modo che la tua funzione Lambda utilizzi chiavi di crittografia più potenti generate da KMS come a7e63k4b-8loc-40db-a2a1-4d0en2cd8331, puoi specificare l'ID della chiave KMS.

• disable_spill_encryption: (facoltativo) se impostato su True, disabilita la crittografia dello spill. L'impostazione predefinita è False: in questo modo, i dati riversati su S3 vengono crittografati utilizzando AES-GCM tramite una chiave generata casualmente o una chiave generata mediante KMS. La disabilitazione della crittografia dello spill può migliorare le prestazioni, soprattutto se la posizione dello spill utilizza la crittografia lato server.

• secret_manager_gcp_creds_name: il nome del segreto all'interno di AWS Secrets Manager che contiene le credenziali GCS in formato JSON (ad esempio, GoogleCloudPlatformCredentials).

Configurazione di database e tabelle in AWS Glue

Poiché la capacità di inferenza dello schema integrato del connettore GCS è limitata, si consiglia di utilizzare AWS Glue per i metadati. Le procedure seguenti mostrano come creare un database e una tabella in AWS Glue cui è possibile accedere da Athena.

Creazione di un database in AWS Glue

Per creare un database da utilizzare con il connettore GCS è possibile utilizzare la console AWS Glue.

Creazione di un database in AWS Glue

1. Accedi alla AWS Management Console, quindi apri la console AWS Glue all'indirizzo https://console.aws.amazon.com/glue/.

2. Nel pannello di navigazione seleziona Databases (Database).

3. Scegli Add database proxy (Aggiungi proxy di database).

4. In Name (Nome) immetti un nome per il database che desideri utilizzare con il connettore GCS.

5. In Location (Posizione), specifica s3://google-cloud-storage-flag.. Questa posizione indica al connettore GCS che il database AWS Glue contiene tabelle per i dati GCS da interrogare in Athena. Il connettore riconosce i database in Athena che hanno questo flag e ignora quelli che non lo hanno.

6. Scegliere Crea database.

Creazione di una tabella in AWS Glue

Ora puoi creare una tabella per il database. Quando si crea una tabella AWS Glue da utilizzare con il connettore GCS, è necessario specificare metadati aggiuntivi.

Creazione di una tabella nella console AWS Glue

1. Nel pannello di navigazione della console AWS Glue seleziona Tables (Tabelle).

2. Nella pagina Tables (Tabelle), scegli Add table (Aggiungi tabella).

3. Nella pagina Set table properties (Imposta proprietà tabella) immetti le seguenti informazioni.

   • Name (Nome): un nome univoco per la tabella.

   • Database: scegli il database AWS Glue creato per il connettore GCS.

   • Include path (Includi percorso): nella sezione Data store (Archivio dati), in Include path (Includi percorso), inserisci la posizione URI per GCS preceduta da gs:// (ad esempio, gs://gcs_table/data/). Se disponi di una o più cartelle di partizione, non includerle nel percorso.

     Nota

     Quando si immette il percorso di tabella non s3://, la console AWS Glue riporta un errore. Puoi ignorare questo errore. La tabella verrà creata correttamente.

   • Data format (Formato dati): per Classification (Classificazione), seleziona CSV o Parquet.

4. Seleziona Successivo.

5. Nella pagina Choose or define schema (Scegli o definisci schema), la definizione di uno schema di tabella è altamente consigliata, ma non obbligatoria. Se non viene definito uno schema, il connettore GCS prova a dedurne uno per tuo conto.

   Completa una delle seguenti operazioni:

   • Se desideri che il connettore GCS provi a dedurre uno schema per tuo conto, scegli Next (Successivo), quindi Create (Crea).

   • Per definire uno schema personale, seguire la procedura descritta nella sezione successiva.

Definizione di uno schema di tabella in AWS Glue

La definizione di uno schema di tabella inAWS Glue richiede più passaggi ma offre un maggiore controllo sul processo di creazione della tabella.

Definizione di uno schema di tabella in AWS Glue

1. Nella pagina Choose or define schema (Scegli o definisci schema), seleziona Add (Aggiungi).

2. Utilizza la finestra di dialogo Add schema entry (Aggiungi voce allo schema) per fornire un nome di colonna e un tipo di dati.

3. Per designare la colonna come colonna di partizione, seleziona l'opzione Set as partition key (Imposta come chiave di partizione).

4. Seleziona Save (Salva) per salvare la colonna.

5. Scegli Add (Aggiungi) per aggiungere un'altra colonna.

6. Dopo aver aggiunto le colonne, seleziona Next (Successivo).

7. Nella pagina Review and create (Rivedi e crea), verifica la tabella, quindi scegli Create (Crea).

8. Se lo schema contiene informazioni sulle partizioni, completa la procedura descritta nella sezione successiva per aggiungere un modello di partizione alle proprietà della tabella in AWS Glue.

Aggiunta di un modello di partizione alle proprietà della tabella in AWS Glue

Se i bucket GCS hanno delle partizioni, è necessario aggiungere il modello di partizione alle proprietà della tabella in AWS Glue.

Aggiunta di informazioni sulla partizione alle proprietà della tabella AWS Glue

1. Nella pagina dei dettagli della tabella creata in AWS Glue, scegli Actions (Azioni), Edit table (Modifica tabella).

2. Nella pagina Edit table (Modifica tabella), scorri verso il basso fino alla sezione Table properties (Proprietà della tabella).

3. Scegli Add (Aggiungi) per aggiungere una chiave di partizione.

4. In Chiave, inserire partition.pattern. Questa chiave definisce il modello del percorso della cartella.

5. In Value (Valore), inserisci un modello di percorso della cartella come StateName=${statename}/ZipCode=${zipcode}/, dove statename e zipcode racchiusi tra ${} sono i nomi delle colonne delle partizioni. Il connettore GCS supporta schemi di partizione Hive e non Hive.

6. Quando hai terminato, seleziona Save (Salva).

7. Per visualizzare le proprietà della tabella appena creata, scegli la scheda Advanced properties (Proprietà avanzate).

A questo punto, è possibile passare alla console Athena. Il database e la tabella creati in AWS Glue sono disponibili per l'interrogazione in Athena.

Supporto dei tipi di dati

Le tabelle seguenti mostrano i tipi di dati supportati per CSV e Parquet.

CSV

Natura dei dati	Tipo di dati dedotto
I dati hanno l'aspetto di un numero	BIGINT
I dati hanno l'aspetto di una stringa	VARCHAR
I dati hanno l'aspetto di una virgola mobile (mobile, doppia o decimale)	DOUBLE
I dati hanno l'aspetto di una data	Time stamp
Dati che contengono valori vero/falso	BOOL

Parquet

PARQUET	Athena (freccia)
BINARY	VARCHAR
BOOLEAN	BOOL
DOUBLE	DOUBLE
ENUM	VARCHAR
FIXED_LEN_BYTE_ARRAY	DECIMAL
FLOAT	FLOAT (32 bit)
INT32	INT32 DATEDAY (quando il tipo logico della colonna Parquet è DATE)
INT64	INT64 TIMESTAMP (quando il tipo logico della colonna Parquet è TIMESTAMP)
INT96	Time stamp
MAP	MAP
STRUCT	STRUCT
LIST	LIST

Autorizzazioni richieste

Consulta la sezione Policies del file athena-gcs.yaml per i dettagli completi delle policy IAM richieste da questo connettore. L'elenco che segue riporta un riepilogo delle autorizzazioni richieste.

• Accesso in scrittura ad Amazon S3: per trasferire i risultati di query di grandi dimensioni, il connettore richiede l'accesso in scrittura a una posizione in Amazon S3.

• Athena GetQueryExecution: il connettore utilizza questa autorizzazione per interrompersi rapidamente con esito negativo quando la query a monte di Athena è terminata.

• AWS Glue Data Catalog: il connettore GCS richiede l'accesso in sola lettura a AWS Glue Data Catalog per ottenere informazioni sullo schema.

• CloudWatch Logs: il connettore richiede l'accesso a CloudWatch Logs per l'archiviazione dei registri.

Prestazioni

Quando lo schema della tabella contiene campi di partizione e la proprietà della tabella partition.pattern è configurata correttamente, è possibile includere il campo di partizione nella clausola WHERE delle query. Per tali query, il connettore GCS utilizza le colonne delle partizioni per perfezionare il percorso della cartella GCS ed evitare la scansione di file non necessari nelle cartelle GCS.

Per i set di dati Parquet, la selezione di un sottoinsieme di colonne comporta un minor numero di dati da scansionare. Ciò si traduce in genere in un runtime di esecuzione delle query più breve quando viene applicata la proiezione di colonne.

Per i set di dati CSV, la proiezione di colonne non è supportata e non riduce la quantità di dati da scansionare.

Le clausole LIMIT riducono la quantità di dati scansionati, ma se non viene fornito un predicato, le query SELECT con una clausola LIMIT eseguiranno la scansione di almeno 16 MB di dati. Il connettore GCS esegue la scansione di un maggior numero di dati per i set di dati più grandi rispetto ai set di dati più piccoli indipendentemente dalla clausola LIMIT applicata. Ad esempio, la query SELECT * LIMIT 10000 esegue la scansione di un maggior numero di dati per un set di dati sottostante più grande rispetto a uno più piccolo.

Informazioni sulla licenza

Utilizzando questo connettore, riconosci l'inclusione di componenti di terze parti, un elenco dei quali è disponibile nel file pom.xml di questo connettore, e accetti i termini delle rispettive licenze di terze parti fornite nel file LICENSE.txt su GitHub.com.

Consulta anche

Per ulteriori informazioni su questo connettore, visita il sito corrispondente su GitHub.com.