AWS Data管道从S3到DynamoDB的CSV数据

Question

我正在尝试使用AWS管道将CSV数据从S3存储桶传输到DynamoDB，以下是我的管道线脚本，它无法正常工作，

CSV文件结构

Name, Designation,Company

A,TL,C1

B,Prog, C2

DynamoDb：N_Table，名称为哈希值

{
"objects": [
    {
        "id": "Default",
        "scheduleType": "cron",
        "name": "Default",
        "role": "DataPipelineDefaultRole",
        "resourceRole": "DataPipelineDefaultResourceRole"
    },
    {
        "id": "DynamoDBDataNodeId635",
        "schedule": {
            "ref": "ScheduleId639"
        },
        "tableName": "N_Table",
        "name": "MyDynamoDBData",
        "type": "DynamoDBDataNode"
    },
    {
        "emrLogUri": "s3://onlycsv/error",
        "id": "EmrClusterId636",
        "schedule": {
            "ref": "ScheduleId639"
        },
        "masterInstanceType": "m1.small",
        "coreInstanceType": "m1.xlarge",
        "enableDebugging": "true",
        "installHive": "latest",
        "name": "ImportCluster",
        "coreInstanceCount": "1",
        "logUri": "s3://onlycsv/error1",
        "type": "EmrCluster"
    },
    {
        "id": "S3DataNodeId643",
        "schedule": {
            "ref": "ScheduleId639"
        },
        "directoryPath": "s3://onlycsv/data.csv",
        "name": "MyS3Data",
        "dataFormat": {
            "ref": "DataFormatId1"
        },
        "type": "S3DataNode"
    },
    {
        "id": "ScheduleId639",
        "startDateTime": "2013-08-03T00:00:00",
        "name": "ImportSchedule",
        "period": "1 Hours",
        "type": "Schedule",
        "endDateTime": "2013-08-04T00:00:00"
    },
    {
        "id": "EmrActivityId637",
        "input": {
            "ref": "S3DataNodeId643"
        },
        "schedule": {
            "ref": "ScheduleId639"
        },
        "name": "MyImportJob",
        "runsOn": {
            "ref": "EmrClusterId636"
        },
        "maximumRetries": "0",
        "myDynamoDBWriteThroughputRatio": "0.25",
        "attemptTimeout": "24 hours",
        "type": "EmrActivity",
        "output": {
            "ref": "DynamoDBDataNodeId635"
        },
        "step": "s3://elasticmapreduce/libs/script-runner/script-runner.jar,s3://elasticmapreduce/libs/hive/hive-script,--run-hive-script,--hive-versions,latest,--args,-f,s3://elasticmapreduce/libs/hive/dynamodb/importDynamoDBTableFromS3,-d,DYNAMODB_OUTPUT_TABLE=#{output.tableName},-d,S3_INPUT_BUCKET=#{input.directoryPath},-d,DYNAMODB_WRITE_PERCENT=#{myDynamoDBWriteThroughputRatio},-d,DYNAMODB_ENDPOINT=dynamodb.us-east-1.amazonaws.com"
    },
    {
        "id": "DataFormatId1",
        "name": "DefaultDataFormat1",
        "column": [
            "Name",
            "Designation",
            "Company"
        ],
        "columnSeparator": ",",
        "recordSeparator": "\n",
        "type": "Custom"
    }
]

}

在执行管道时，有四个步骤完成，但是它没有完全执行

Answer 1

目前（2015-04）默认导入管道模板不支持导入CSV文件。

如果您的CSV文件不是太大（大小不超过1GB），您可以创建一个ShellCommandActivity来首先将CSV转换为DynamoDB JSON格式，将源代码转换为将生成的JSON文件导入到表中的EmrActivity。

作为第一步，您可以创建示例DynamoDB表，包括您需要的所有字段类型，填充虚拟值，然后使用管道导出记录（DynamoDB控制台中的导出/导入按钮）。这将为您提供有关Import管道所期望的格式的想法。类型名称不明显，导入活动对正确的情况非常敏感（例如，你应该为布尔字段设置bOOL）。

之后，应该很容易创建一个awk脚本（或任何其他文本转换器，至少使用awk，您可以使用默认的AMI映像进行shell活动），您可以将其提供给shellCommandActivity。不要忘记启用“staging”标志，这样您的输出就会上传回S3，以便Import活动将其拾取。

Answer 2

如果您使用模板数据管道将数据从S3导入DynamoDB，则这些数据格式将不起作用。而是使用下面链接中的格式来存储输入S3数据文件http://docs.aws.amazon.com/datapipeline/latest/DeveloperGuide/dp-importexport-ddb-pipelinejson-verifydata2.html

这种格式的输出文件由模板数据管道生成，该数据管道将数据从DynamoDB导出到S3。

希望有所帮助。

Answer 3

我建议使用datapipeline提供的CSV数据格式而不是自定义。

要调试群集上的错误，可以在EMR控制台中查找作业流，并查看失败任务的日志文件。

Answer 4

请参阅下面的链接，了解有效的解决方案（在问题部分），尽管是EMR 3.x.只需将分隔符更改为"columnSeparator": ","。就个人而言，除非您确定数据已正确清理，否则我不会执行CSV。

How to upgrade Data Pipeline definition from EMR 3.x to 4.x/5.x?