将 Python 库与 Amazon Glue 一起使用

Amazon Glue 允许您安装额外的 Python 模块和库，以便与 Amazon Glue ETL 一起使用。

使用 pip 在 Amazon Glue 2.0+ 中安装其他 Python 模块

Amazon Glue 使用 Python Package Installer（pip3）安装 Amazon Glue ETL 使用的其他模块。您可以将 --additional-python-modules 参数与逗号分隔的 Python 模块列表结合使用，以添加新模块或更改现有模块的版本。通过将分发上传到 Amazon S3，然后在模块列表中包含到 Amazon S3 对象的路径，您可以安装库的自定义分发。

您可以使用 --python-modules-installer-option 参数将其他选项传递给 pip3。例如，您可以传递 "--upgrade" 以升级 "--additional-python-modules" 指定的包。有关更多示例，请参阅使用 Amazon Glue 2.0 从 Spark ETL 工作负载仪表盘构建 Python 模块。

如果您的 Python 依赖项以传递方式依赖于原生编译代码，则可能会遇到以下限制：Amazon Glue 不支持在作业环境中编译原生代码。但是，Amazon Glue 作业在 Amazon Linux 2 环境中运行。您可通过 Wheel 分发以编译后的形式提供原生依赖项。

例如，要更新或添加新的 scikit-learn 模块，请使用以下键/值："--additional-python-modules", "scikit-learn==0.21.3"。

此外，在 --additional-python-modules 选项中，您可以指定指向 Python Wheel 模块的 Amazon S3 路径。例如：

--additional-python-modules s3://aws-glue-native-spark/tests/j4.2/ephem-3.7.7.1-cp37-cp37m-linux_x86_64.whl,s3://aws-glue-native-spark/tests/j4.2/fbprophet-0.6-py3-none-any.whl,scikit-learn==0.21.3

您可以在 Amazon Glue 控制台的 Job parameters（作业参数）字段中指定 --additional-python-modules，也可以通过在 Amazon SDK 中更改作业参数指定它。有关设置作业参数的更多信息，请参阅 Amazon Glue 作业参数。

包括具有 PySpark 原生功能的 Pyon 文件

Amazon Glue PySpark 用于在Amazon Glue ETL 作业中包含 Pyon 文件。如果可用，您希望使用 --additional-python-modules 管理依赖项。您可以使用 --extra-py-files 作业参数以包含 Python 文件。依赖关系必须托管在 Amazon S3 中，参数值应为逗号分隔的 Amazon S3 路径列表，且不含空格。此功能的行为类似于您将在 Spark 中使用的 Python 依赖项管理。有关 Spark 中 Python 依赖项管理的更多信息，请参阅 Apache Spark 文档中的 “使用 PySpark 原生功能” 页面。 --extra-py-files在未打包额外代码或使用现有工具链迁移 Spark 程序以管理依赖关系时很有用。为使依赖项工具可维护，您必须在提交之前捆绑依赖项。

Amazon Glue 中已提供的 Python 模块

要更改这些已提供模块的版本，请使用 --additional-python-modules 作业参数提供新版本。

压缩库以用于包含

除非库包含在单个 .py 文件中，否则它应打包到 .zip 存档中。包目录应该位于存档文件的根部，并且必须包含一个针对该包的 __init__.py 文件。然后，Python 将能够以正常方式导入包。

如果您的库仅在一个 .py 文件中包含单个 Python 模块，您无需将其放入 .zip 文件。

在开发终端节点中加载 Python 库

如果对不同的 ETL 脚本使用不同的库集，则可以为每个集设置单独的开发终端节点，也可以覆盖每次您切换脚本时开发终端节点加载的库 .zip 文件。

在创建开发终端节点时，您可以使用控制台为其指定一个或多个库 .zip 文件。在分配名称和 IAM 角色后，请选择 Script Libraries and job parameters (optional) (脚本库和任务参数（可选）)，然后在 Python library path (脚本库路径) 框中输入库 .zip 文件的完整 Amazon S3 路径。例如：

s3://bucket/prefix/site-packages.zip

如果需要，您可以指定文件的多个完整路径并使用逗号分隔，但不能有空格，如下所示：

s3://bucket/prefix/lib_A.zip,s3://bucket_B/prefix/lib_X.zip

如果您更新这些 .zip 文件，则可以使用控制台将其重新导入到您的开发终端节点。导航到所涉开发人员终端节点，选中它旁边的框，然后从 Action 菜单中选择 Update ETL libraries。

类似地，您可以使用 Amazon Glue API 指定库文件。当您通过调用 CreateDevEndpoint 操作（Python：dev_endpoint） 创建开发终端节点时，可以通过如下所示的调用在 ExtraPythonLibsS3Path 参数中指定库的一个或多个完整路径：

dep = glue.create_dev_endpoint(
             EndpointName="testDevEndpoint",
             RoleArn="arn:aws:iam::123456789012",
             SecurityGroupIds="sg-7f5ad1ff",
             SubnetId="subnet-c12fdba4",
             PublicKey="ssh-rsa AAAAB3NzaC1yc2EAAAADAQABAAABAQCtp04H/y...",
             NumberOfNodes=3,
             ExtraPythonLibsS3Path="s3://bucket/prefix/lib_A.zip,s3://bucket_B/prefix/lib_X.zip")

当您更新一个开发终端节点时，还可以通过在调用 UpdateDevEndpoint （Update_开发端点） 时使用 DevEndpointCustomLibraries 对象并将 UpdateEtlLibraries 参数设置为 True 来更新它所加载的库。

如果您在开发端点中使用 Zeppelin Notebook，则需要在从.zip文件中导入一个或多个软件包之前调用以下 PySpark 函数：

sc.addPyFile("/home/glue/downloads/python/yourZipFileName.zip")

在作业中使用 Pyon 库或 JobRun

当您在控制台上创建新任务时，可以通过选择 Script Libraries and job parameters (optional) (脚本库和任务参数 (可选)) 并输入完整的 Amazon S3 库路径来指定一个或多个库 .zip 格式文件（方法与创建开发终端节点时相同）：

s3://bucket/prefix/lib_A.zip,s3://bucket_B/prefix/lib_X.zip

如果您正在调用 CreateJob （Create_job），则可以使用 --extra-py-files 默认参数指定默认库的一个或多个完整路径，如下所示：

job = glue.create_job(Name='sampleJob',
                      Role='Glue_DefaultRole',
                      Command={'Name': 'glueetl',
                               'ScriptLocation': 's3://my_script_bucket/scripts/my_etl_script.py'},
                      DefaultArguments={'--extra-py-files': 's3://bucket/prefix/lib_A.zip,s3://bucket_B/prefix/lib_X.zip'})

然后，当你启动时 JobRun，你可以用不同的库设置覆盖默认的库设置：

runId = glue.start_job_run(JobName='sampleJob',
                           Arguments={'--extra-py-files': 's3://bucket/prefix/lib_B.zip'})