AWS Glue to Redshift：是否可以替换，更新或删除数据？

Question

以下是关于我如何设置的一些要点：

• 我有上传到S3的CSV文件和一个Glue爬虫设置来创建表和模式。
• 我有一个Glue作业设置，它使用JDBC连接将数据从Glue表写入我们的Amazon Redshift数据库。 Job还负责映射列并创建redshift表。

通过重新运行作业，我在redshift中获得了重复的行（正如预期的那样）。但是，有没有办法在插入新数据之前替换或删除行，使用密钥或胶水中的分区设置？

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

from awsglue.dynamicframe import DynamicFrame
from awsglue.transforms import SelectFields

from pyspark.sql.functions import lit

## @params: [TempDir, JOB_NAME]
args = getResolvedOptions(sys.argv, ['TempDir','JOB_NAME'])

sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)

columnMapping = [
    ("id", "int", "id", "int"),
    ("name", "string", "name", "string"),
]

datasource1 = glueContext.create_dynamic_frame.from_catalog(database = "db01", table_name = "table01", transformation_ctx = "datasource0")

applymapping1 = ApplyMapping.apply(frame = datasource1, mappings = columnMapping, transformation_ctx = "applymapping1")
resolvechoice1 = ResolveChoice.apply(frame = applymapping1, choice = "make_cols", transformation_ctx = "resolvechoice1")
dropnullfields1 = DropNullFields.apply(frame = resolvechoice1, transformation_ctx = "dropnullfields1")
df1 = dropnullfields1.toDF()
data1 = df1.withColumn('platform', lit('test'))
data1 = DynamicFrame.fromDF(data1, glueContext, "data_tmp1")

## Write data to redshift
datasink1 = glueContext.write_dynamic_frame.from_jdbc_conf(frame = data1, catalog_connection = "Test Connection", connection_options = {"dbtable": "table01", "database": "db01"}, redshift_tmp_dir = args["TempDir"], transformation_ctx = "datasink1")

job.commit()

Answer 1

工作书签是关键。只需编辑作业并启用“作业书签”，它就不会处理已处理的数据。请注意，作业必须重新运行一次才会检测到它不必再次重新处理旧数据。

有关更多信息，请参阅：http://docs.aws.amazon.com/glue/latest/dg/monitor-continuations.html

在我看来，“书签”这个名字有点牵强。如果我在搜索期间没有巧合地偶然发现它，我将永远不会看到它。

Answer 2

这是我从AWS Glue Support获得的解决方案：

您可能知道，虽然您可以创建主键，但Redshift不会强制实现唯一性。因此，如果您正在重新运行Glue作业，则可以插入重复的行。保持唯一性的一些方法是：

1. 使用临时表插入所有行，然后在主表中执行upsert / merge [1]，这必须在glue之外完成。
2. 在redshift表[1]中添加另一列，如插入时间戳，以允许重复，但要知道哪一个是第一个或最后一个，然后在需要时删除副本。
3. 将先前插入的数据加载到数据帧中，然后比较要插入的数据以避免插入重复项[3]

[1] - http://docs.aws.amazon.com/redshift/latest/dg/c_best-practices-upsert.html和http://www.silota.com/blog/amazon-redshift-upsert-support-staging-table-replace-rows/

[2] - https://github.com/databricks/spark-redshift/issues/238

[3] - https://docs.databricks.com/spark/latest/faq/join-two-dataframes-duplicated-column.html

Answer 3

今天我已经测试并获得了使用JDBC连接从目标表更新/删除的解决方法。

我用过如下

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

import pg8000
args = getResolvedOptions(sys.argv, [
    'JOB_NAME',
    'PW',
    'HOST',
    'USER',
    'DB'
])
# ...
# Create Spark & Glue context

sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)
job.init(args['JOB_NAME'], args)

# ...
config_port = ****
conn = pg8000.connect(
    database=args['DB'], 
    user=args['USER'], 
    password=args['PW'],
    host=args['HOST'],
    port=config_port
)
query = "UPDATE table .....;"

cur = conn.cursor()
cur.execute(query)
conn.commit()
cur.close()



query1 = "DELETE  AAA FROM  AAA A, BBB B WHERE  A.id = B.id"

cur1 = conn.cursor()
cur1.execute(query1)
conn.commit()
cur1.close()
conn.close()

Answer 4

如上所述，Glue中的作业书签选项应该可以解决问题。当我的源码是S3时，我一直在成功使用它。 http://docs.aws.amazon.com/glue/latest/dg/monitor-continuations.html

Answer 5

根据我的测试（使用相同的方案），BOOKMARK功能无效。多次运行作业时，将插入重复数据。我通过每天（通过lambda）从S3位置删除文件并实现Staging＆Target表来解决此问题。数据将根据匹配的键列进行插入/更新。

Answer 6

请检查this答案。有解释和代码示例如何使用登台表将数据插入Redshift。可以使用相同的方法在Glue使用preactions和postactions选项写入数据之前或之后运行任何SQL查询：

// Write data to staging table in Redshift
glueContext.getJDBCSink(
  catalogConnection = "redshift-glue-connections-test",
  options = JsonOptions(Map(
    "database" -> "conndb",
    "dbtable" -> staging,
    "overwrite" -> "true",
    "preactions" -> "<another SQL queries>",
    "postactions" -> "<some SQL queries>"
  )),
  redshiftTmpDir = tempDir,
  transformationContext = "redshift-output"
).writeDynamicFrame(datasetDf)