使用 AWS Glue 中的 CSV 数据

本页介绍了如何使用 AWS Glue 从在每列数据值前后加引号的 CSV 文件或包含标题值的 CSV 文件创建架构。

处理引号中包含的 CSV 数据

假设 CSV 文件的数据字段用双引号括起来，如下例所示。

"John","Doe","123-555-1231","John said \"hello\""
"Jane","Doe","123-555-9876","Jane said \"hello\""

要在 Athena 中对使用具有引号值的 CSV 文件创建的表运行查询，必须修改 AWS Glue 中的表属性以使用 OpenCSVSerDe。有关 OpenCSV SerDe 的更多信息，请参阅 用于处理 CSV 的 Open CSV SerDe。

要在 AWS Glue 控制台中编辑表属性

1. 在 AWS Glue 控制台中，选择导航窗格中的 Tables（表）。

2. 选择您要编辑的表的链接，然后依次选择 Action（操作）、Edit table（编辑表）。

3. 在 Edit table（编辑表）页面上，进行以下更改：

   • 对于 Serialization lib（序列化库），输入 org.apache.hadoop.hive.serde2.OpenCSVSerde。

   • 对于 Serde parameters（SerDe 参数），为键 escapeChar、quoteChar 和 separatorChar 输入以下值：

     • 对于 escapeChar，输入一个反斜杠 (\)。

     • 对于 quoteChar，输入一个双引号 (")。

     • 对于 separatorChar，输入一个逗号 (,)。

4. 选择保存。

有关更多信息，请参阅《AWS Glue 开发人员指南》中的查看和编辑表详细信息。

也可以通过编程方式更新 AWS Glue 表属性。使用 AWS Glue UpdateTable API 操作或 update-table AWS CLI 命令来修改表定义中的 SerDeInfo 块，如以下示例 JSON 所示。

"SerDeInfo": {
   "name": "",
   "serializationLib": "org.apache.hadoop.hive.serde2.OpenCSVSerde",
   "parameters": {
      "separatorChar": ","
      "quoteChar": "\""
      "escapeChar": "\\"
      }
},

处理具有标题的 CSV 文件

当您在 Athena 中使用 CREATE TABLE 语句定义一个表时，可以使用 skip.header.line.count 表属性以忽略 CSV 数据中的标题，如下例所示。

...
STORED AS TEXTFILE
LOCATION 's3://amzn-s3-demo-bucket/csvdata_folder/';
TBLPROPERTIES ("skip.header.line.count"="1")

或者，您可以事先删除 CSV 标题，以便不将标题信息包含在 Athena 查询结果中。实现此操作的一种方法是使用 AWS Glue 任务，它执行提取、转换和加载 (ETL) 工作。您可以使用 PySpark Python 方言的扩展语言在 AWS Glue 中编写脚本。有关更多信息，请参阅《AWS Glue 开发人员指南》中的在 AWS Glue 中编写任务。

以下示例显示 AWS Glue 脚本中的一个函数，它使用 from_options 写出动态帧，并将 writeHeader 格式选项设置为 false，从而删除标题信息：

glueContext.write_dynamic_frame.from_options(frame = applymapping1, connection_type = "s3", connection_options = {"path": "s3://amzn-s3-demo-bucket/MYTABLEDATA/"}, format = "csv", format_options = {"writeHeader": False}, transformation_ctx = "datasink2")