大数据文件上的 Glue Job

Question

【以下的问题经过翻译处理】 我有一个需求，需要创建ETL从100个数据文件（每个文件都有独特的模式）转换成一个公共格式的CSV文件。源文件在S3存储桶文件夹中（每个文件夹都是唯一的数据集）。有时需要在一个文件夹中联合多个文件，并在转换中编写业务逻辑。这些文件有数百万条记录。

我已经尝试使用Glue Cralwer和Glue jobs使用有限数据创建目标文件。 我的问题是，Glue在数百万条记录上的性能如何，它是否具有成本效益？您能否分享有关此问题的信息？另外，我计划从Step Functions编排每个Glue Crawler和Glue Job。这样做的方法正确吗？谢谢。

Answer

【以下的回答经过翻译处理】 AWS Glue的主要重点是解决你描述的问题，还有处理更大的数据集。

显然，如果你没有之前使用Apache Spark（Glue ETL基于它）的经验，根据你的连接和转换逻辑的复杂程度，你可能会遇到挑战。因此，值得投入一些时间来了解其工作原理以及如何监控。

成本效益取决于你的逻辑有多么高效以及你如何调整配置。Glue 4.0提供了许多改进和开箱即用的优化，应该能帮助你解决这个问题。

Glue Crawlers是可选的方便功能，如果你只需要读取一次csv文件（如果不是需要为其他目的使用的表），你可以直接读取它们。

Step Function 需要一些学习，但可以构建高级工作流，对于简单的工作流，Glue提供了触发器和Glue内部的可视化工作流。s

大数据文件上的 Glue Job

相关内容