FileUniqueness - AWS Glue

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

FileUniqueness

L’unicité des fichiers vous permet de vous assurer qu’il n’y a pas de doublons dans les données que vous avez reçues de vos producteurs de données.

Elle rassemble les statistiques de données suivantes :

  1. Nombre de fichiers analysés par la règle.

  2. Le taux d’unicité des fichiers 

Dataset.*.FileUniquenessRatio: 1.00, Dataset.*.FileCount: 8.00

Rechercher des fichiers en double dans un dossier : 

FileUniqueness "s3://bucket/" > 0.5
FileUniqueness "s3://bucket/folder/" = 1

Déduire les noms de dossiers directement à partir des trames de données pour détecter les doublons :

Il n’est pas toujours nécessaire de fournir un chemin d’accès au fichier. Par exemple, lorsque vous créez la règle dans le Catalogue de données AWS Glue, il peut être difficile de trouver les dossiers utilisés par les tables du catalogue. La Qualité des données d’AWS Glue peut trouver les dossiers ou fichiers spécifiques utilisés pour renseigner votre trame de données.

Note

Lors de l’utilisation de l’inférence, les règles basées sur des fichiers peuvent uniquement détecter les fichiers lus avec succès dans DynamicFrame ou DataFrame. 

FileUniqueness > 0.5

Balises de règles facultatives basées sur des fichiers :

Les balises vous permettent de contrôler le comportement des règles.

recentFiles

Cette balise limite le nombre de fichiers traités en conservant le fichier le plus récent en premier. 

FileUniqueness "s3://amzn-s3-demo-bucket/" > 0.5 with recentFiles = 1

matchFileName

Cette balise garantit que les fichiers ne comportent pas de noms en double. Le comportement par défaut est false. 

FileUniqueness "s3://amzn-s3-demo-bucket/" > 0.5 with matchFileName = "true"

Voici quelques considérations à prendre en compte :

  1. Dans AWS Glue ETL, vous devez disposer de la transformation EvaluateDataQuality immédiatement après une transformation Amazon S3 ou du Catalogue de données AWS Glue.

  2. Cette règle ne fonctionnera pas dans AWS Glue Interactive Sessions.