Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

管理 Amazon Glue 中用于 ETL 输出的分区

分区是用于组织数据集以便高效查询数据集的重要技术。它根据一个或多个列的不同值用分层目录结构来组织数据。

例如，您可以决定按日期（包括年、月和日）对 Amazon Simple Storage Service（Amazon S3）中的应用程序日志分区。然后，与某一天的数据相对应的文件将放置在前缀下，例如 s3://my_bucket/logs/year=2018/month=01/day=23/。Amazon Athena、Amazon Redshift Spectrum 和 Amazon Glue 等系统可以使用这些分区按分区值筛选数据，而无需读取 Amazon S3 中的所有底层数据。

爬网程序不仅推断文件类型和架构，它们还会在填充 Amazon Glue 数据目录时自动标识数据集的分区结构。生成的分区列可用于在 Amazon Glue ETL 任务或 Amazon Athena 之类的查询引擎中进行查询。

对表进行网络爬取后，您可以查看爬网程序创建的分区。在 Amazon Glue 控制台的左侧导航窗格中，选择 Tables (表)。选择爬网程序创建的表，然后选择 View Partitions (查看分区)。

对于采用 key=val 样式的 Apache Hive 风格分区路径，爬网程序会使用键名自动填充列名称。否则，它使用默认名称，如 partition_0、partition_1 等。要在控制台中更改默认名称，请导航到表，选择编辑架构，然后在此修改分区列的名称。

然后，在您的 ETL 脚本中，便可以筛选分区列。因为分区信息存储于数据目录，所以使用 from_catalog API 调用包含 DynamicFrame 中的分区列。例如，使用 create_dynamic_frame.from_catalog 而不是 create_dynamic_frame.from_options。

使用下推谓词进行预筛选

在许多情况下，您可以使用下推谓词来筛选分区，而不必列出并读取数据集中的所有文件。您可以直接对数据目录中的分区元数据应用筛选，而不是读取整个数据集，然后筛选。 DynamicFrame然后，您只需列出并阅读实际需要的内容即可 DynamicFrame.

例如，在 Python 中，您可以写入以下内容。

glue_context.create_dynamic_frame.from_catalog(
    database = "my_S3_data_set",
    table_name = "catalog_data_table",
    push_down_predicate = my_partition_predicate)

这会创建一个 DynamicFrame ，它仅在数据目录中加载满足谓词表达式的分区。根据您要加载的数据子集的规模，这样可以节省大量处理时间。

谓词表达式可以是 Spark SQL 支持的任何布尔表达式。您可以在 Spark SQL 查询的 WHERE 子句中放置的任何内容都可以使用。例如，谓词表达式 pushDownPredicate = "(year=='2017' and month=='04')" 仅加载数据目录中 year 等于 2017 并且 month 等于 04 的分区。有关更多信息，请参阅 Apache Spark SQL 文档，尤其是 Scala SQL 函数参考。

除了用于 Amazon S3 路径的 Hive 风格分区外，Apache Parquet 和 Apache ORC 文件格式会进一步将每个文件分区为表示列值的数据块。每个数据块还存储其包含的记录的统计信息，如列值的最小值/最大值。Amazon Glue 支持将下推谓词以这些格式用于 Hive 风格分区和数据块分区。通过这种方法，您可以修剪 Parquet 和 ORC 格式的不必要的 Amazon S3 分区，并使用列统计信息跳过您认为不必要的数据块。

使用目录分区谓词进行服务器端筛选

push_down_predicate 选项将在列出目录中的所有分区之后以及列出 Amazon S3 中针对这些分区的文件之前应用。如果您有大量表分区，则目录分区列表仍然会产生额外的时间开销。为解决这一开销，您可以结合使用服务器端分区修剪和 catalogPartitionPredicate 选项，该选项使用 Amazon Glue 数据目录中的分区索引。当您在一个表中有数百万个分区时，这样可以提高分区筛选速度。如果您的 catalogPartitionPredicate 需要目录分区索引尚不支持的谓词语法，您可以结合使用 push_down_predicate 与 additional_options 中的 catalogPartitionPredicate。

Python：

dynamic_frame = glueContext.create_dynamic_frame.from_catalog(
    database=dbname, 
    table_name=tablename,
    transformation_ctx="datasource0",
    push_down_predicate="day>=10 and customer_id like '10%'",
    additional_options={"catalogPartitionPredicate":"year='2021' and month='06'"}
)

Scala：

val dynamicFrame = glueContext.getCatalogSource(
    database = dbname,
    tableName = tablename, 
    transformationContext = "datasource0",
    pushDownPredicate="day>=10 and customer_id like '10%'",
    additionalOptions = JsonOptions("""{
        "catalogPartitionPredicate": "year='2021' and month='06'"}""")
    ).getDynamicFrame()

写入分区

默认情况下，a DynamicFrame 在写入时不进行分区。所有输出文件都写入指定输出路径的顶级。直到最近，将 a 写 DynamicFrame 入分区的唯一方法是在写入 DataFrame 之前将其转换为 Spark SQL。

但是， DynamicFrames 现在支持使用一系列密钥进行原生分区，在创建 sink 时使用该partitionKeys选项。例如，以下 Python 代码将数据集以 Parquet 格式写出到 Amazon S3 中，写入到类型字段分区的目录中。然后，您可以使用其他系统（如 Amazon Athena）处理这些分区。

glue_context.write_dynamic_frame.from_options(
    frame = projectedEvents,
    connection_type = "s3",    
    connection_options = {"path": "$outpath", "partitionKeys": ["type"]},
    format = "parquet")