Classe DynamicFrameReader

• __init__

• from_rdd

• from_options

• from_catalog

__init__(glue_context)

• glue_context – O Classe GlueContext a ser usado.

from_rdd(data, name, schema=None, sampleRatio=None)

Lê um DynamicFrame de um Conjunto de dados resiliente distribuído (RDD).

• data – O conjunto de dados onde a leitura será feita.

• name – O nome onde a leitura será feita.

• schema – O esquema a ser lido (opcional).

• sampleRatio – A proporção da amostra (opcional).

from_options(connection_type, connection_options={}, format=None, format_options={}, transformation_ctx="")

Lê um DynamicFrame usando a conexão e o formato especificados.

• connection_type: o tipo de conexão. Os valores válidos incluem s3, mysql, postgresql, redshift, sqlserver, oracle, dynamodb e snowflake.

• connection_options – Opções de conexão, como caminho e tabela de banco de dados (opcional). Para obter mais informações, consulte Tipos de conexão e opções para ETL no AWS Glue para Spark. Para um connection_type do s3, os caminhos do Amazon S3 são definidos em uma matriz.

  connection_options = {"paths": [ "s3://amzn-s3-demo-bucket/object_a", "s3://amzn-s3-demo-bucket/object_b"]}

  Para conexões JDBC, várias propriedades devem ser definidas. Observe que o nome do banco de dados deve fazer parte do URL. Ele também pode ser incluído nas opções de conexão.

  Atenção

  Não é recomendável armazenar senhas no script. Considere usar boto3 para recuperá-los do AWS Secrets Manager ou do catálogo de dados do AWS Glue.

  connection_options = {"url": "jdbc-url/database", "user": "username", "password": passwordVariable,"dbtable": "table-name", "redshiftTmpDir": "s3-tempdir-path"} 

  Para uma conexão JDBC que realiza leituras paralelas, você pode definir a opção hashfield. Por exemplo:

  connection_options = {"url": "jdbc-url/database", "user": "username", "password": passwordVariable,"dbtable": "table-name", "redshiftTmpDir": "s3-tempdir-path" , "hashfield": "month"} 

  Para obter mais informações, consulte Leitura de tabelas JDBC em paralelo.

• format: uma especificação de formato (opcional). Essa ação é usada para um Amazon Simple Storage Service (Amazon S3) ou uma conexão do AWS Glue que ofereça suporte a vários formatos. Consulte Opções de formato de dados para entradas e saídas no AWS Glue para Spark para obter os formatos compatíveis.

• format_options: as opções de formato para o formato especificado. Consulte Opções de formato de dados para entradas e saídas no AWS Glue para Spark para obter os formatos compatíveis.

• transformation_ctx – O contexto de transformação a ser usado (opcional).

• push_down_predicate: filtra partições sem a necessidade de listar e ler todos os arquivos no seu conjunto de dados. Para obter mais informações, consulte Pré-filtragem usando a aplicação de predicados.

from_catalog(database, table_name, redshift_tmp_dir="", transformation_ctx="", push_down_predicate="", additional_options={})

Lê um DynamicFrame usando o namespace do catálogo e o nome da tabela especificados.

• database – O banco de dados onde a leitura será feita.

• table_name – O nome da tabela onde a leitura será feita.

• redshift_tmp_dir: um diretório temporário do Amazon Redshift a ser usado (opcional se não estiver lendo dados do Redshift).

• transformation_ctx – O contexto de transformação a ser usado (opcional).

• push_down_predicate: filtra partições sem a necessidade de listar e ler todos os arquivos no seu conjunto de dados. Para obter mais informações, consulte Pré-filtragem usando a aplicação de predicados.

• additional_options: opções adicionais fornecidas ao AWS Glue.

  • Para usar uma conexão JDBC que realiza leituras paralelas, você pode definir as opções hashfield, hashexpression ou hashpartitions. Por exemplo:

    additional_options = {"hashfield": "month"} 

    Para obter mais informações, consulte Leitura de tabelas JDBC em paralelo.

  • Para transmitir uma expressão de catálogo para filtrar com base nas colunas de índice, você pode consultar o opção catalogPartitionPredicate.

    catalogPartitionPredicate: você pode transmitir uma expressão de catálogo para filtrar com base nas colunas de índice. Isso leva a filtragem para o lado do servidor. Para obter mais informações, consulte Índices de partição do AWS Glue. Observe que push_down_predicate e catalogPartitionPredicate usam sintaxes diferentes. O primeiro usa a sintaxe padrão do Spark SQL e o outro usa o analisador JSQL.

    Para obter mais informações, consulte Gerenciar partições para saída de ETL no AWS Glue.