As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Próximas etapas
<a name="next-steps"></a>

## Entendendo as AWS Glue transformações
<a name="transformations"></a>

Para um processamento de dados mais eficiente, AWS Glue inclui [funções de transformação integradas](https://docs.aws.amazon.com/glue/latest/dg/aws-glue-programming-python-transforms.html). As funções passam de transformação em transformação em uma estrutura de dados chamada a DynamicFrame, que é uma extensão de um [Apache Spark SQL](https://spark.apache.org/). DataFrame A DynamicFrame é semelhante a a DataFrame, exceto pelo fato de que cada registro é autodescritivo, portanto, nenhum esquema é necessário inicialmente.

Para se familiarizar com várias funções AWS Glue PySpark integradas, consulte a postagem do blog [Criando um pipeline de AWS Glue ETL localmente sem](https://aws.amazon.com/blogs/big-data/building-an-aws-glue-etl-pipeline-locally-without-an-aws-account/) um. Conta da AWS

## Como criar sua primeira tarefa de ETL
<a name="authoring"></a>

Se você nunca escreveu um trabalho ETL antes, pode começar usando os [Três tipos de trabalho AWS Glue ETL para converter dados no padrão Apache Parquet](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/three-aws-glue-etl-job-types-for-converting-data-to-apache-parquet.html).

Se você tem experiência em escrever trabalhos de ETL, você pode usar os [AWS Glue GitHub exemplos](https://github.com/aws-samples/aws-glue-samples/tree/master/examples) para explorar mais profundamente.

## Preços
<a name="pricing"></a>

Para obter informações sobre preços, consulte [AWS Glue preços](https://aws.amazon.com/glue/pricing/). Você também pode usar o [AWS Calculadora de Preços](https://calculator.aws/#/createCalculator)para estimar o custo mensal do uso de AWS Glue componentes diferentes.