AWS Glue PySpark 変換リファレンス

AWS Glue には、PySpark ETL オペレーションに使用できる、次の組み込み変換が用意されています。データは、変換から変換へと DynamicFrame というデータ構造で渡されます。これは、Apache Spark SQL DataFrame を拡張したものです。DynamicFrame にはデータが含まれており、データを処理するためにそのスキーマを参照します。

これらの変換のほとんどは、DynamicFrame クラスのメソッドとしても存在します。詳細については、「DynamicFrame transforms」(DynamicFrame 変換) を参照してください。

• GlueTransform 基本クラス

• ApplyMapping クラス

• DropFields クラス

• DropNullFields クラス

• ErrorsAsDynamicFrame クラス

• EvaluateDataQuality クラス

• FillMissingValues クラス

• フィルタクラス

• FindIncrementalMatches クラス

• FindMatches クラス

• FlatMap クラス

• Join クラス

• マップクラス

• MapToCollection クラス

• mergeDynamicFrame

• クラスの関連付け

• RenameField クラス

• ResolveChoice クラス

• SelectFields クラス

• SelectFromCollection クラス

• Simplify_ddb_json class

• スピゴットクラス

• SplitFields クラス

• SplitRows クラス

• Unbox クラス

• UnnestFrame クラス

データ統合変換

AWS Glue 4.0 以降では、key: --enable-glue-di-transforms, value: true を使用してジョブ引数を作成または更新します。

ジョブスクリプトの例：

from pyspark.context import SparkContext
        
from awsgluedi.transforms import *
sc = SparkContext()

input_df = spark.createDataFrame(
    [(5,), (0,), (-1,), (2,), (None,)],
    ["source_column"],
)

try:
    df_output = math_functions.IsEven.apply(
        data_frame=input_df,
        spark_context=sc,
        source_column="source_column",
        target_column="target_column",
        value=None,
        true_string="Even",
        false_string="Not even",
    )
    df_output.show()   
except:
    print("Unexpected Error happened ")
    raise

ノートブックを使用したセッションの例

%idle_timeout 2880
%glue_version 4.0
%worker_type G.1X
%number_of_workers 5
%region eu-west-1

%%configure
{
    "--enable-glue-di-transforms": "true"
}

from pyspark.context import SparkContext
from awsgluedi.transforms import *

sc = SparkContext()

input_df = spark.createDataFrame(
    [(5,), (0,), (-1,), (2,), (None,)],
    ["source_column"],
)

try:
    df_output = math_functions.IsEven.apply(
        data_frame=input_df,
        spark_context=sc,
        source_column="source_column",
        target_column="target_column",
        value=None,
        true_string="Even",
        false_string="Not even",
    )
    df_output.show()    
except:
    print("Unexpected Error happened ")
    raise

AWS CLI を使用したセッションの例

aws glue create-session --default-arguments "--enable-glue-di-transforms=true"

DI トランスフォーム:

• FlagDuplicatesInColumn class

• FormatPhoneNumber class

• FormatCase class

• FillWithMode class

• FlagDuplicateRows class

• RemoveDuplicates class

• MonthName class

• IsEven クラス

• CryptographicHash クラス

• Decrypt クラス

• 暗号化クラス

• IntToIp class

• IpToInt class

Maven: Spark アプリケーションへのプラグインのバンドル

Spark アプリケーションをローカルで開発する際、Maven pom.xml に変換依存関係を追加することで、Spark アプリケーションと Spark ディストリビューション (バージョン 3.3 ) にプラグインをバンドルできます。

<repositories>
   ...
    <repository>
        <id>aws-glue-etl-artifacts</id>
        <url>https://aws-glue-etl-artifacts.s3.amazonaws.com/release/ </url>
    </repository>
</repositories>
...
<dependency>
    <groupId>com.amazonaws</groupId>
    <artifactId>AWSGlueTransforms</artifactId>
    <version>4.0.0</version>
</dependency>

別の方法として、以下のように AWS Glue Maven アーティファクトからバイナリを直接ダウンロードして、Spark アプリケーションにインクルードすることも可能です。

#!/bin/bash
sudo wget -v https://aws-glue-etl-artifacts.s3.amazonaws.com/release/com/amazonaws/AWSGlueTransforms/4.0.0/AWSGlueTransforms-4.0.0.jar -P /usr/lib/spark/jars/