从AWS Kinesis firehose到AWS S3写拼花

bra*_*ana 23 json amazon-s3 amazon-web-services parquet amazon-kinesis-firehose

我想从kinesis firehose格式化为镶木地板的数据中摄取数据.到目前为止,我刚刚找到一个解决方案,意味着创建一个EMR,但我正在寻找更便宜和更快的东西,如直接从firehose存储收到的json作为镶木地板或使用Lambda函数.

非常感谢,Javi.

bra*_*ana 21

在处理AWS支持服务和一百种不同的实现之后,我想解释一下我所取得的成就.

最后,我创建了一个Lambda函数,用于处理Kinesis Firehose生成的每个文件,根据有效负载对事件进行分类,并将结果存储在S3中的Parquet文件中.

这样做并不容易:

  1. 首先,你应该创建一个Python虚拟环境,包括所有必需的库(在我的例子中是Pandas,NumPy,Fastparquet等).由于结果文件(包括所有库和我的Lambda函数很重,因此需要启动EC2实例,我使用了免费层中包含的那个).要创建虚拟环境,请执行以下步骤:

    • 登录EC2
    • 创建一个名为lambda(或任何其他名称)的文件夹
    • Sudo yum -y更新
    • Sudo yum -y升级
    • sudo yum -y groupinstall"开发工具"
    • sudo yum -y install blas
    • sudo yum -y install lapack
    • sudo yum -y install atlas-sse3-devel
    • sudo yum install python27-devel python27-pip gcc
    • Virtualenv env
    • source env/bin/activate
    • pip install boto3
    • pip安装fastparquet
    • pip安装熊猫
    • pip安装thriftpy
    • pip install s3fs
    • pip install(任何其他必需的库)
    • 找到〜/ lambda/env/lib*/python2.7/site-packages/-name"*.so"| xargs strip
    • pushd env/lib/python2.7/site-packages /
    • zip -r -9 -q~/lambda.zip*
    • POPD
    • pushd env/lib64/python2.7/site-packages /
    • zip -r -9 -q~/lambda.zip*
    • POPD
  2. 属性创建lambda_function:

    import json
    import boto3
    import datetime as dt
    import urllib
    import zlib
    import s3fs
    from fastparquet import write
    import pandas as pd
    import numpy as np
    import time
    
    def _send_to_s3_parquet(df):
        s3_fs = s3fs.S3FileSystem()
        s3_fs_open = s3_fs.open
        # FIXME add something else to the key or it will overwrite the file 
        key = 'mybeautifullfile.parquet.gzip'
        # Include partitions! key1 and key2
        write( 'ExampleS3Bucket'+ '/key1=value/key2=othervalue/' + key, df,
                compression='GZIP',open_with=s3_fs_open)            
    
    def lambda_handler(event, context):
        # Get the object from the event and show its content type
        bucket = event['Records'][0]['s3']['bucket']['name']
        key = urllib.unquote_plus(event['Records'][0]['s3']['object']['key'])
        try:
            s3 = boto3.client('s3')
            response = s3.get_object(Bucket=bucket, Key=key)
            data = response['Body'].read()
            decoded = data.decode('utf-8')
            lines = decoded.split('\n')
            # Do anything you like with the dataframe (Here what I do is to classify them 
            # and write to different folders in S3 according to the values of
            # the columns that I want
            df = pd.DataFrame(lines)
            _send_to_s3_parquet(df)
        except Exception as e:
            print('Error getting object {} from bucket {}.'.format(key, bucket))
            raise e
    
    Run Code Online (Sandbox Code Playgroud)
  3. 将lambda函数复制到lambda.zip并部署lambda_function:

    • 返回到您的EC2实例并将zip所需的lambda函数添加到zip:zip -9 lambda.zip lambda_function.py(lambda_function.py是步骤2中生成的文件)
    • 将生成的zip文件复制到S3,因为通过S3进行部署非常繁重.aws s3 cp lambda.zip s3:// support-bucket/lambda_packages /
    • 部署lambda函数:aws lambda update-function-code --function-name --s3-bucket support-bucket --s3-key lambda_packages/lambda.zip
  4. 触发要在您喜欢时执行,例如,每次在S3中创建新文件,或者甚至可以将lambda函数与Firehose相关联.(我没有选择此选项,因为'lambda'限制低于Firehose限制,你可以配置Firehose每128Mb或15分钟写一个文件,但如果你将这个lambda函数关联到Firehose,lambda函数将被执行每3分钟或5MB,在我的情况下,我有生成很多小镶木地板文件的问题,因为每次启动lambda函数我生成至少10个文件).


Vla*_*iev 15

好消息,这个功能今天发布了!

Amazon Kinesis Data Firehose可以在将数据存储到Amazon S3之前将输入数据的格式从JSON转换为Apache Parquet或Apache ORC.Parquet和ORC是柱状数据格式,可节省空间并实现更快的查询

要启用,请转到Firehose流并单击Edit.你应该看到记录格式转换部分,如下面的截图:

在此输入图像描述

有关详细信息,请参阅文档:https://docs.aws.amazon.com/firehose/latest/dev/record-format-conversion.html

  • 嘿,这对嵌套Json也很好吗? (2认同)

Joh*_*ein 9

Amazon Kinesis Firehose接收流式传输记录,并可将其存储在Amazon S3(或Amazon Redshift或Amazon Elasticsearch Service)中.

每条记录最多可达1000KB.

Kinesis流动

但是,记录将附加到文本文件中,并根据时间或大小进行批处理.传统上,记录是JSON格式.

您将无法发送镶木地板文件,因为它不符合此文件格式.

可以触发Lambda数据转换功能,但这也不能输出镶木地板文件.

实际上,鉴于镶木地板文件的性质,您不可能一次构建一条记录.作为一种柱状存储格式,我怀疑它们确实需要在批处理中创建,而不是每个记录都附加数据.

底线:不.