本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
AWS Glue 從來源擷取資料，並將資料寫入以各種資料格式存放和傳輸的目標。如果您的資料是以 ORC 資料格式存放或傳輸，本文件會介紹在 Glue AWS 中使用資料的可用功能。
AWS Glue 支援使用 ORC 格式。此格式是效能導向、以資料行為基礎的資料格式。如需標準授權單位的格式簡介，請參閱 Apache Orc。
您可以使用 AWS Glue 從 Amazon S3 和串流來源讀取 ORC 檔案，以及將 ORC 檔案寫入 Amazon S3。您可以讀取和寫入來自 S3 的包含 ORC 檔案的 bzip 和 gzip 封存。您可以在 S3 連線參數 上設定壓縮行為，而不是在本頁討論的組態中設定。
下表顯示哪些常見的 AWS Glue 操作支援 ORC 格式選項。
| 讀取 |
寫入 |
串流讀取 |
對小型檔案進行分組 |
任務書籤 |
| 支援 |
支援 |
支援 |
不支援 |
支援* |
*Glue AWS 1.0+ 版支援
先決條件：您需要指向希望讀取的 ORC 檔案或資料夾的 S3 路徑 (s3path)。
組態：在您的函數選項中，指定 format="orc"。在您的 connection_options 中，使用 paths 索引鍵指定 s3path。您可以在 connection_options 中設定讀取器與 S3 的互動方式。如需詳細資訊，請參閱 Glue 中 ETL AWS 的連線類型和選項：Amazon S3 連線選項參考。
下列 AWS Glue ETL 指令碼顯示從 S3 讀取 ORC 檔案或資料夾的程序：
- Python
-
在此範例中，使用 create_dynamic_frame.from_options 方法。
from pyspark.context import SparkContext
from awsglue.context import GlueContext
sc = SparkContext.getOrCreate()
glueContext = GlueContext(sc)
dynamicFrame = glueContext.create_dynamic_frame.from_options(
connection_type="s3",
connection_options={"paths": ["s3://s3path"]},
format="orc"
)
您也可以在指令碼中使用 DataFrames (pyspark.sql.DataFrame)。
dataFrame = spark.read\
.orc("s3://s3path")
- Scala
-
在此範例中，使用 getSourceWithFormat 操作。
import com.amazonaws.services.glue.util.JsonOptions
import com.amazonaws.services.glue.GlueContext
import org.apache.spark.sql.SparkContext
object GlueApp {
def main(sysArgs: Array[String]): Unit = {
val spark: SparkContext = new SparkContext()
val glueContext: GlueContext = new GlueContext(spark)
val dynamicFrame = glueContext.getSourceWithFormat(
connectionType="s3",
format="orc",
options=JsonOptions("""{"paths": ["s3://s3path"]}""")
).getDynamicFrame()
}
}
您也可以在指令碼中使用 DataFrames (pyspark.sql.DataFrame)。
val dataFrame = spark.read
.orc("s3://s3path")
先決條件：您需要初始化 DataFrame (dataFrame) 或 DynamicFrame (dynamicFrame)。您還需要預期的 S3 輸出路徑 s3path。
組態：在您的函數選項中，指定 format="orc"。在您的連線選項中，使用 paths 鍵指定 s3path。您可以在 connection_options 中進一步更改寫入器與 S3 的互動方式。如需詳細資訊，請參閱 Glue 中 ETL AWS 輸入和輸出的資料格式選項：Amazon S3 連線選項參考。下列程式碼範例顯示了此程序：
- Python
-
在此範例中，使用 write_dynamic_frame.from_options 方法。
from pyspark.context import SparkContext
from awsglue.context import GlueContext
sc = SparkContext.getOrCreate()
glueContext = GlueContext(sc)
glueContext.write_dynamic_frame.from_options(
frame=dynamicFrame,
connection_type="s3",
format="orc",
connection_options={
"path": "s3://s3path"
}
)
您也可以在指令碼中使用 DataFrames (pyspark.sql.DataFrame)。
df.write.orc("s3://s3path/")
- Scala
-
在此範例中，使用 getSinkWithFormat 方法。
import com.amazonaws.services.glue.util.JsonOptions
import com.amazonaws.services.glue.{DynamicFrame, GlueContext}
import org.apache.spark.SparkContext
object GlueApp {
def main(sysArgs: Array[String]): Unit = {
val spark: SparkContext = new SparkContext()
val glueContext: GlueContext = new GlueContext(spark)
glueContext.getSinkWithFormat(
connectionType="s3",
options=JsonOptions("""{"path": "s3://s3path"}"""),
format="orc"
).writeDynamicFrame(dynamicFrame)
}
}
您也可以在指令碼中使用 DataFrames (pyspark.sql.DataFrame)。
df.write.orc("s3://s3path/")
無 format="orc" 的 format_options 值。不過任何底層的 SparkSQL 程式碼所接受的選項均可透過 connection_options 對應參數傳送。
