步驟 1：網路爬取資料步驟 2：新增樣板指令碼步驟 3：檢查結構描述 4. 篩選資料 5. 加入資料步驟 6：關聯式資料庫的轉換 7. 結論

程式碼範例：加入和關聯化資料

本範例使用從 http://everypolitician.org/ 下載至 Amazon Simple Storage Service (Amazon S3) 的 sample-dataset 儲存貯體的資料集：s3://awsglue-datasets/examples/us-legislators/all。資料集包含美國國會議員和他們在美國眾議院和參議院內座位的 JSON 格式的資料，已針對教學用途稍作修改，並透過公有 Amazon S3 儲存貯體提供。

您可以在網站範例儲存庫中的join_and_relationalize.py檔案中找到此範例的AWS Glue原始程式 GitHub 碼。

本指南將利用這項資料告訴您如何執行下列動作：

使用AWS Glue爬蟲程式將存放在公用 Amazon S3 儲存貯體中的物件分類，並將其結構描述儲存到 AWS Glue 資料型錄中。
檢查爬蟲程式所產生的資料表中繼資料和結構描述。
編寫 Python 擷取、傳輸和載入 (ETL) 指令碼，使用 Data Catalog 中的中繼資料執行下列動作：
- 將來自不同原始檔案的資料加入到單一資料表 (也就是將資料去正規化)。
- 篩選加入的資料表，依國會議員類型放入不同的資料表。
- 將產生的資料寫入到單獨的 Apache Parquet 檔案中，供以後分析之用。

在執行時偵錯 Python 或 PySpark 指令碼的建議方式 AWS 是在 AWS Glue Studio 上使用筆記型電腦。

步驟 1：在 Amazon S3 儲存貯體中網路爬取資料

請登入 AWS Management Console，然後開啟AWS Glue主控台，網址為 https://console.aws.amazon.com/glue/。
遵循中的步驟設定爬蟲程式，建立新的爬行者程式，以將資料s3://awsglue-datasets/examples/us-legislators/all集編目到 AWS Glue 資料目錄legislators中名稱的資料庫。範例資料已放在這個公有 Amazon S3 儲存貯體中。
執行新的爬蟲程式，接著查看 legislators 資料庫。

爬蟲程式建立下列中繼資料資料表：
- persons_json
- memberships_json
- organizations_json
- events_json
- areas_json
- countries_r_json
這是一個包含國會議員和其歷史的半標準化資料表集合。

步驟 2：新增樣板指令碼至開發端點筆記本

將以下樣板指令碼貼至開發端點以匯入您需要的 AWS Glue 程式庫，並且設定單一的 GlueContext：



import sys
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.job import Job

glueContext = GlueContext(SparkContext.getOrCreate())

步驟 3：從資料目錄中的資料檢查結構描述

接下來，您可以輕鬆地 DynamicFrame 從 AWS Glue 資料型錄建立檢查，並檢查資料的結構描述。例如，若要查看 persons_json 資料表的結構描述，請將下列內容新增到筆記本：



persons = glueContext.create_dynamic_frame.from_catalog(
             database="legislators",
             table_name="persons_json")
print "Count: ", persons.count()
persons.printSchema()

以下為列印呼叫的輸出：



Count:  1961
root
|-- family_name: string
|-- name: string
|-- links: array
|    |-- element: struct
|    |    |-- note: string
|    |    |-- url: string
|-- gender: string
|-- image: string
|-- identifiers: array
|    |-- element: struct
|    |    |-- scheme: string
|    |    |-- identifier: string
|-- other_names: array
|    |-- element: struct
|    |    |-- note: string
|    |    |-- name: string
|    |    |-- lang: string
|-- sort_name: string
|-- images: array
|    |-- element: struct
|    |    |-- url: string
|-- given_name: string
|-- birth_date: string
|-- id: string
|-- contact_details: array
|    |-- element: struct
|    |    |-- type: string
|    |    |-- value: string
|-- death_date: string

資料表中的每個人都是美國國會的成員。

若要檢視 memberships_json 資料表的結構描述，請輸入如下命令：



memberships = glueContext.create_dynamic_frame.from_catalog(
                 database="legislators",
                 table_name="memberships_json")
print "Count: ", memberships.count()
memberships.printSchema()

其輸出如下：



Count:  10439
root
|-- area_id: string
|-- on_behalf_of_id: string
|-- organization_id: string
|-- role: string
|-- person_id: string
|-- legislative_period_id: string
|-- start_date: string
|-- end_date: string

organizations 為政黨和參議院與眾議院這兩個議會殿堂。若要檢視 organizations_json 資料表的結構描述，請輸入如下命令：



orgs = glueContext.create_dynamic_frame.from_catalog(
           database="legislators",
           table_name="organizations_json")
print "Count: ", orgs.count()
orgs.printSchema()

其輸出如下：



Count:  13
root
|-- classification: string
|-- links: array
|    |-- element: struct
|    |    |-- note: string
|    |    |-- url: string
|-- image: string
|-- identifiers: array
|    |-- element: struct
|    |    |-- scheme: string
|    |    |-- identifier: string
|-- other_names: array
|    |-- element: struct
|    |    |-- lang: string
|    |    |-- note: string
|    |    |-- name: string
|-- id: string
|-- name: string
|-- seats: int
|-- type: string

步驟 4：篩選資料

接著，保留需要的欄位，將 id 重新命名為 org_id。資料集很小，可以從整體來檢視。

toDF() 會將 DynamicFrame 轉換為 Apache Spark DataFrame，因此您可套用 Apache Spark SQL 中現有的轉換：



orgs = orgs.drop_fields(['other_names',
                        'identifiers']).rename_field(
                            'id', 'org_id').rename_field(
                               'name', 'org_name')
orgs.toDF().show()

以下將顯示輸出：



+--------------+--------------------+--------------------+--------------------+-----+-----------+--------------------+
|classification|              org_id|            org_name|               links|seats|       type|               image|
+--------------+--------------------+--------------------+--------------------+-----+-----------+--------------------+
|         party|            party/al|                  AL|                null| null|       null|                null|
|         party|      party/democrat|            Democrat|[[website,http://...| null|       null|https://upload.wi...|
|         party|party/democrat-li...|    Democrat-Liberal|[[website,http://...| null|       null|                null|
|   legislature|d56acebe-8fdc-47b...|House of Represen...|                null|  435|lower house|                null|
|         party|   party/independent|         Independent|                null| null|       null|                null|
|         party|party/new_progres...|     New Progressive|[[website,http://...| null|       null|https://upload.wi...|
|         party|party/popular_dem...|    Popular Democrat|[[website,http://...| null|       null|                null|
|         party|    party/republican|          Republican|[[website,http://...| null|       null|https://upload.wi...|
|         party|party/republican-...|Republican-Conser...|[[website,http://...| null|       null|                null|
|         party|      party/democrat|            Democrat|[[website,http://...| null|       null|https://upload.wi...|
|         party|   party/independent|         Independent|                null| null|       null|                null|
|         party|    party/republican|          Republican|[[website,http://...| null|       null|https://upload.wi...|
|   legislature|8fa6c3d2-71dc-478...|              Senate|                null|  100|upper house|                null|
+--------------+--------------------+--------------------+--------------------+-----+-----------+--------------------+

輸入以下以檢視出現在 memberships 的 organizations：



memberships.select_fields(['organization_id']).toDF().distinct().show()

以下將顯示輸出：



+--------------------+
|     organization_id|
+--------------------+
|d56acebe-8fdc-47b...|
|8fa6c3d2-71dc-478...|
+--------------------+

步驟 5：全部整合為一

現在，使用 AWS Glue 加入這些關聯式表格，並建立一份關於國會議員 memberships 及其對應的 organizations 的完整歷史記錄資料表。

首先，加入 persons 和 memberships 的 id 和 person_id。
接著，將結果加入到 orgs 的 org_id 和 organization_id。
然後，捨棄冗餘欄位 person_id 和 org_id。

您可以在同一 (延伸) 指令碼行執行所有這些操作：



l_history = Join.apply(orgs,
                       Join.apply(persons, memberships, 'id', 'person_id'),
                       'org_id', 'organization_id').drop_fields(['person_id', 'org_id'])
print "Count: ", l_history.count()
l_history.printSchema()

其輸出如下：



Count:  10439
root
|-- role: string
|-- seats: int
|-- org_name: string
|-- links: array
|    |-- element: struct
|    |    |-- note: string
|    |    |-- url: string
|-- type: string
|-- sort_name: string
|-- area_id: string
|-- images: array
|    |-- element: struct
|    |    |-- url: string
|-- on_behalf_of_id: string
|-- other_names: array
|    |-- element: struct
|    |    |-- note: string
|    |    |-- name: string
|    |    |-- lang: string
|-- contact_details: array
|    |-- element: struct
|    |    |-- type: string
|    |    |-- value: string
|-- name: string
|-- birth_date: string
|-- organization_id: string
|-- gender: string
|-- classification: string
|-- death_date: string
|-- legislative_period_id: string
|-- identifiers: array
|    |-- element: struct
|    |    |-- scheme: string
|    |    |-- identifier: string
|-- image: string
|-- given_name: string
|-- family_name: string
|-- id: string
|-- start_date: string
|-- end_date: string

您現在取得最終的資料表，可用於分析。您可以用精巧、有效率的格式編寫，以用於分析 (也就是 Parquet)，在 AWS Glue、Amazon Athena 或 Amazon Redshift Spectrum 上執行 SQL。

以下呼叫將資料表編寫到多個檔案，在稍後執行分析時支援快速平行讀取：



glueContext.write_dynamic_frame.from_options(frame = l_history,
          connection_type = "s3",
          connection_options = {"path": "s3://glue-sample-target/output-dir/legislator_history"},
          format = "parquet")

若要將所有歷史記錄資料合併成單一檔案，您必須將其轉換為資料框架、分割並編寫：



s_history = l_history.toDF().repartition(1)
s_history.write.parquet('s3://glue-sample-target/output-dir/legislator_single')

或者，如果您希望將其分為參議院和眾議院：



l_history.toDF().write.parquet('s3://glue-sample-target/output-dir/legislator_part',
                               partitionBy=['org_name'])

步驟 6：轉換關聯式資料庫的資料

AWS Glue 可讓您輕鬆地將資料寫入關聯式資料庫，例如 Amazon Redshift，即使是半結構化資料。其提供轉換 relationalize，可將 DynamicFrames 扁平化，無論框架中的物件多複雜。

使用本範例中的 l_history DynamicFrame，以根資料表 (hist_root) 的名稱和暫時任務路徑傳送至 relationalize。將傳回 DynamicFrameCollection。然後，您可以將 DynamicFrames 的名稱列在該集合中：



dfc = l_history.relationalize("hist_root", "s3://glue-sample-target/temp-dir/")
dfc.keys()

以下為 keys 呼叫的輸出：



[u'hist_root', u'hist_root_contact_details', u'hist_root_links',
 u'hist_root_other_names', u'hist_root_images', u'hist_root_identifiers']

Relationalize 將歷史記錄資料表分成六個新資料表：根資料表包含在 DynamicFrame 中的各物件記錄，和陣列的輔助資料表。關聯式資料庫中的陣列處理通常為次最佳化，尤其在這些陣列變得龐大時。將陣列分成不同的資料表，可加快查詢速度。

接著，檢查 contact_details 以查看分隔：



l_history.select_fields('contact_details').printSchema()
dfc.select('hist_root_contact_details').toDF().where("id = 10 or id = 75").orderBy(['id','index']).show()

以下為 show 呼叫的輸出：



root
|-- contact_details: array
|    |-- element: struct
|    |    |-- type: string
|    |    |-- value: string
+---+-----+------------------------+-------------------------+
| id|index|contact_details.val.type|contact_details.val.value|
+---+-----+------------------------+-------------------------+
| 10|    0|                     fax|                         |
| 10|    1|                        |             202-225-1314|
| 10|    2|                   phone|                         |
| 10|    3|                        |             202-225-3772|
| 10|    4|                 twitter|                         |
| 10|    5|                        |          MikeRossUpdates|
| 75|    0|                     fax|                         |
| 75|    1|                        |             202-225-7856|
| 75|    2|                   phone|                         |
| 75|    3|                        |             202-225-2711|
| 75|    4|                 twitter|                         |
| 75|    5|                        |                SenCapito|
+---+-----+------------------------+-------------------------+

contact_details 欄位為原始 DynamicFrame 中結構的陣列。這些陣列的每個元素都是輔助資料表中的單獨資料列，以 index 編製索引。此處的 id 是 hist_root 資料表的外部金鑰，金鑰為 contact_details：



dfc.select('hist_root').toDF().where(
    "contact_details = 10 or contact_details = 75").select(
       ['id', 'given_name', 'family_name', 'contact_details']).show()

以下為其輸出：



+--------------------+----------+-----------+---------------+
|                  id|given_name|family_name|contact_details|
+--------------------+----------+-----------+---------------+
|f4fc30ee-7b42-432...|      Mike|       Ross|             10|
|e3c60f34-7d1b-4c0...|   Shelley|     Capito|             75|
+--------------------+----------+-----------+---------------+

請注意，這些命令將使用 toDF()，然後是 where 表達式，來篩選您想要查看的資料列。

因此，加入 hist_root 資料表與輔助資料表可執行下列動作：

無需陣列支援便能將資料載入到資料庫。
使用 SQL 查詢陣列中的每個個別項目。

使用 AWS Glue 連線以安全存放和存取您的 Amazon Redshift 憑證。有關如何建立自己的連線的詳細資訊，請參閱連線至資料。

您現已準備好透過一次循環一個 DynamicFrames 來將資料寫入連接器：



for df_name in dfc.keys():
  m_df = dfc.select(df_name)
  print "Writing to table: ", df_name
  glueContext.write_dynamic_frame.from_jdbc_conf(frame = m_df, connection settings here)

您的連接器設定將因您的關聯式資料庫類型而異：

如需有關寫入 Amazon Redshift 的指示，請參閱Redshift 連線。
若為其他資料庫，請參閱 ETL 中的連線類型和選項 AWS Glue 適用於 Spark。

結論

整體而言，AWS Glue 極具彈性。它讓您用幾行程式碼便能完成通常要好幾天才能完成撰寫的任務。您可以在上 GitHub的AWS Glue範例中找到 Python 檔案join_and_relationalize.py中的整個 source-to-target ETL 指令碼。

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

Python 範例

資料準備範例