使用glueContext.write_dynamic_frame.from_options 的AWS Glue 导出到镶木地板问题

Question

我有以下问题。

以下代码由 AWS Glue 自动生成。

它的任务是从 Athena 获取数据（由 .csv @ S3 备份）并将数据转换为 Parquet。

该代码适用于参考航班数据集和一些相对较大的表（~100 Gb）。

但是，在大多数情况下，它返回错误，这并没有告诉我太多。

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

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

conf = (SparkConf()
    .set("spark.driver.maxResultSize", "8g"))

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

datasource0 = glueContext.create_dynamic_frame.from_catalog(database = "XXX", table_name = "csv_impressions", transformation_ctx = "datasource0")

applymapping1 = ApplyMapping.apply(frame = datasource0, mappings = [("event time", "long", "event_time", "long"), ("user id", "string", "user_id", "string"), ("advertiser id", "long", "advertiser_id", "long"), ("campaign id", "long", "campaign_id", "long")], transformation_ctx = "applymapping1")

resolvechoice2 = ResolveChoice.apply(frame = applymapping1, choice = "make_struct", transformation_ctx = "resolvechoice2")

dropnullfields3 = DropNullFields.apply(frame = resolvechoice2, transformation_ctx = "dropnullfields3")

datasink4 = glueContext.write_dynamic_frame.from_options(frame = dropnullfields3, connection_type = "s3", connection_options = {"path": "s3://xxxx"}, format = "parquet", transformation_ctx = "datasink4")
job.commit()

AWS Glue 识别的错误消息是：

调用 o72.pyWriteDynamicFrame 时出错

日志文件还包含：

由于阶段失败，作业中止：...写入行时任务失败

知道如何找出失败的原因吗？

或者它可能是什么？

Answer 1

第 1 部分：识别问题

如何找到导致问题的原因的解决方案是将输出从.parquetto切换.csv并删除ResolveChoiceor DropNullFields（正如 Glue for 自动建议的那样.parquet）：

datasink2 = glueContext.write_dynamic_frame.from_options(frame = applymapping1, connection_type = "s3", connection_options = {"path": "s3://xxxx"}, format = "csv", transformation_ctx = "datasink2")
job.commit()

它产生了更详细的错误消息：

调用 o120.pyWriteDynamicFrame 时发生错误。作业因阶段失败而中止：阶段 0.0 中的任务 5 失败 4 次，最近一次失败：阶段 0.0 中丢失任务 5.3（TID 182，ip-172-31-78-99.ec2.internal，执行器 15）：com. amazonaws.services.glue.util.FatalException：无法解析文件：xxxx1.csv.gz

错误消息中提到的文件xxxx1.csv.gz对于 Glue 来说似乎太大（.gzip未压缩时约为 100Mb 和约 350Mb .csv）。

第 2 部分：问题的真正根源和解决方法

正如第一部分中提到的，由于导出到，.csv可以识别错误的文件。

通过将 .csv 加载到 R 中进行进一步调查发现，其中一列包含单个string记录，而该列的所有其他值都是long或NULL。

在 R 中删除该值并将数据重新上传到 S3 后，问题就消失了。

注意#1：该列是string在 Athena 中声明的，因此我认为此行为是错误

注意#2：问题的本质不在于数据的大小。我已经成功处理了高达 200 Mb 的文件.csv.gz，相当于大约 600 Mb .csv。