开始使用 AWS Glue 交互式会话

将 AwsGlueSessionUserRestrictedServiceRole 托管策略附加到执行角色

1. 打开控制IAM台。

2. 在左侧面板中选择角色。

3. 查找您的用户配置文件使用的 Studio Classic 执行角色。有关如何查看用户个人资料的信息，请参阅查看网域中的用户个人资料。

4. 选择您的角色名称以访问角色摘要页面。

5. 在权限选项卡下，从添加权限下拉菜单中选择附加策略。

6. 选中托管策略 AwsGlueSessionUserRestrictedServiceRole 旁的复选框。

7. 选择附加策略。

   摘要页面显示您新添加的托管策略。

在执行角色上创建内联自定义策略

1. 在添加权限下拉菜单中选择创建内联策略。

2. 选择 JSON 选项卡。

3. 复制并粘贴以下策略。

   {
       "Version": "2012-10-17",
       "Statement": [
           {
               "Sid": "unique_statement_id",
   
               "Effect": "Allow",
               "Action": [
   		"iam:GetRole",
                   "iam:PassRole",
                   "sts:GetCallerIdentity"
               ],
               "Resource": "*"
           }
       ]
   }

4. 选择查看策略。

5. 输入名称，然后选择创建策略。

   摘要页面显示您新添加的自定义策略。

修改该执行角色的信任关系

1. 选择信任关系选项卡。

2. 选择编辑信任策略。

3. 复制并粘贴以下策略。

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

4. 选择更新策略。

1. 登录 SageMaker 控制台，网址为https://console.aws.amazon.com/sagemaker/。

2. 从左侧导航窗格中选择 Studio。

3. 在 Studio 登录页面上，选择用于启动 Studio 的域和用户个人资料。

4. 选择 Open Studio 并启动 JupyterLab 或 Studio 经典版应用程序。

5. 在 Jupyter 视图中，依次选择文件、新建和笔记本。

6. 对于 Studio Classic 用户：在图像下拉菜单中，选择 SparkAnalytics 1.0 或 SparkAnalytics2.0。在内核下拉菜单中，选择 Glue Spark 或 G lue Python [PySpark 和 Ray]。选定选择。

   对于 Studio 用户，请选择 Glue Spark 或 Glue Python [PySpark 和 Ray] 内核

7. （可选）使用 Jupyter magic 来自定义环境。有关 Jupyter magic 的更多信息，请参阅在 Studio 或 Studio 经典版中配置 AWS Glue 互动会话。

8. 开始编写 Spark 数据处理脚本。以下笔记本展示了在大型数据集ETL上使用 AWS Glue 交互式会话、探索性数据分析、数据预处理，最后使用处理过的数据训练模型 end-to-end的工作流程。 SageMaker