Amazon Glue Scala DynamicFrame 类
程序包：com.amazonaws.services.glue
class DynamicFrame extends Serializable with Logging (
val glueContext : GlueContext,
_records : RDD[DynamicRecord],
val name : String = s"",
val transformationContext : String = DynamicFrame.UNDEFINED,
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0,
prevErrors : => Long = 0,
errorExpr : => Unit = {} )DynamicFrame 是自描述的 DynamicRecord 对象的分布式集合。
DynamicFrame 旨在为 ETL（提取、转换和加载）操作提供灵活的数据模型。它们不需要创建架构，可用于读取和转换具有杂乱或不一致的值和类型的数据。可以按需为需要架构的那些操作计算架构。
DynamicFrame 为数据清理和 ETL 提供了一系列转换。它们还支持转换为 SparkSQL DataFrame 和从其转换以与现有代码和 DataFrame 提供的许多分析操作集成。
跨构造 DynamicFrame 的许多 Amazon Glue 转换共享以下参数：
transformationContext— 此DynamicFrame的标识符。transformationContext用作跨运行保存的作业书签状态的密钥。callSite– 为错误报告提供上下文信息。在从 Python 调用时，会自动设置这些值。stageThreshold– 在引发异常之前允许的来自此DynamicFrame计算的最大错误记录数，不包括以前的DynamicFrame中存在的记录。totalThreshold– 引发异常之前的最大错误记录总数，包括以前的帧中的记录。
val errorsCount
val errorsCount此 DynamicFrame 中的错误记录数。这包括来自以前的操作的错误。
def applyMapping
def applyMapping( mappings : Seq[Product4[String, String, String, String]],
caseSensitive : Boolean = true,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame mappings– 用于构造新DynamicFrame的映射序列。caseSensitive– 是否将源列视为区分大小写。在与不区分大小写的存储（如 Amazon Glue 数据目录）集成时，将此项设置为 false 可能很有帮助。
基于一系列的映射选择、投影和转换列。
每个映射由源列和类型以及目标列和类型构成。映射可指定为四元组 (source_path、source_type、 target_path、target_type) 或包含相同信息的 MappingSpec 对象。
除了将映射用于简单的投影和转换外，还可以通过使用“.”（句点）分隔路径的组件来用于嵌套或取消嵌套字段。
例如，假设您有一个包含以下架构的 DynamicFrame。
{{{
root
|-- name: string
|-- age: int
|-- address: struct
| |-- state: string
| |-- zip: int
}}}您可以进行以下调用来取消嵌套 state 和 zip 字段。
{{{
df.applyMapping(
Seq(("name", "string", "name", "string"),
("age", "int", "age", "int"),
("address.state", "string", "state", "string"),
("address.zip", "int", "zip", "int")))
}}}生成的架构如下所示。
{{{
root
|-- name: string
|-- age: int
|-- state: string
|-- zip: int
}}}您还可以使用 applyMapping 来重新嵌套列。例如，以下代码反转以前的转换，并在目标中创建一个名为 address 的结构。
{{{
df.applyMapping(
Seq(("name", "string", "name", "string"),
("age", "int", "age", "int"),
("state", "string", "address.state", "string"),
("zip", "int", "address.zip", "int")))
}}}包含“.”（句点）字符的字段名称可以使用反引号 (``) 括起来。
目前，您不能使用 applyMapping 方法映射嵌套在数组下的列。
def assertErrorThreshold
def assertErrorThreshold : Unit强制计算并验证错误记录数是否低于 stageThreshold 和 totalThreshold 的操作。如果任一条件失败，则引发异常。
def count
lazy
def count返回 DynamicFrame 中的元素数量。
def dropField
def dropField( path : String,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 返回已删除指定列的新 DynamicFrame。
def dropFields
def dropFields( fieldNames : Seq[String], // The column names to drop.
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 返回已删除指定列的新 DynamicFrame。
您可以使用此方法删除嵌套列（包括数组中的列），但不能用于删除特定数组元素。
def dropNulls
def dropNulls( transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0 )返回已删除所有空列的新 DynamicFrame。
这只删除类型为 NullType 的列。不删除或修改其他列中的单个空值。
def errorsAsDynamicFrame
def errorsAsDynamicFrame返回包含此 DynamicFrame 中的错误记录的新 DynamicFrame。
def filter
def filter( f : DynamicRecord => Boolean,
errorMsg : String = "",
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided"),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 构造只包含函数“f”为其返回 true 的那些记录的新 DynamicFrame。筛选器函数“f”不应转变输入记录。
def getName
def getName : String 返回此 DynamicFrame 的名称。
def getNumPartitions
def getNumPartitions返回 DynamicFrame 中的分区数量。
def getSchemaIfComputed
def getSchemaIfComputed : Option[Schema] 如果架构已经过计算，则返回该架构。如果架构尚未经过计算，则不扫描数据。
def isSchemaComputed
def isSchemaComputed : Boolean 如果已为此 DynamicFrame 计算架构，则返回 true；否则返回 false。如果此方法返回 false，则调用 schema 方法将需要再次扫描此 DynamicFrame 中的记录。
def javaToPython
def javaToPython : JavaRDD[Array[Byte]] def join
def join( keys1 : Seq[String],
keys2 : Seq[String],
frame2 : DynamicFrame,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame keys1– 此DynamicFrame中用于联接的列。keys2–frame2中用于联接的列。必须与keys1的长度相同。frame2– 要联接的DynamicFrame。
返回使用指定的键对 frame2 执行 equijoin 的结果。
def map
def map( f : DynamicRecord => DynamicRecord,
errorMsg : String = "",
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 返回通过对此 DynamicFrame 中的每个记录应用指定函数“f”构造的新 DynamicFrame。
此方法先复制每个记录，然后再应用指定函数，因此可以安全地转变记录。如果映射函数在给定记录上引发异常，则该记录将标记为错误，并且堆栈跟踪将另存为错误记录中的一个列。
def mergeDynamicFrames
def mergeDynamicFrames( stageDynamicFrame: DynamicFrame, primaryKeys: Seq[String], transformationContext: String = "",
options: JsonOptions = JsonOptions.empty, callSite: CallSite = CallSite("Not provided"),
stageThreshold: Long = 0, totalThreshold: Long = 0): DynamicFrame stageDynamicFrame– 要合并的暂存DynamicFrame。primaryKeys– 要匹配源和暂存DynamicFrame中的记录的主键字段列表。transformationContext– 用于检索有关当前转换的元数据的唯一字符串（可选）。options– 为此转换提供其他信息的 JSON 名称-值对的字符串。callSite– 用于为错误报告提供上下文信息。stageThreshold— 一个Long。给定转换中处理需要排除的错误的数目。totalThreshold— 一个Long。此转换中处理需要排除的错误的总数。
基于指定主键的将此 DynamicFrame 与暂存 DynamicFrame 合并以标识记录。不会对重复记录（具有相同主键的记录）去除重复。如果暂存帧中没有匹配的记录，则从源中保留所有记录（包括重复记录）。如果暂存帧具有匹配的记录，则暂存帧中的记录将覆盖 Amazon Glue 中的源中的记录。
在以下情况下，返回的 DynamicFrame 将包含记录 A：
如果
A在源帧和暂存帧中都存在，则返回暂存帧中的A。如果
A在源表中，且A.primaryKeys不在stagingDynamicFrame中（这意味着，未在暂存表中更新A）。
源帧和暂存帧不需要具有相同的架构。
val mergedFrame: DynamicFrame = srcFrame.mergeDynamicFrames(stageFrame, Seq("id1", "id2"))def printSchema
def printSchema : Unit 以人类可读的格式将此 DynamicFrame 的架构输出到 stdout。
def recomputeSchema
def recomputeSchema : Schema 强制重新计算架构。这需要扫描数据，但如果数据中不存在当前架构中的一些字段，则可能会“压缩”架构。
返回经过重新计算的架构。
def relationalize
def relationalize( rootTableName : String,
stagingPath : String,
options : JsonOptions = JsonOptions.empty,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided"),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : Seq[DynamicFrame] rootTableName– 在输出中用于基本DynamicFrame的名称。通过透视数组创建的DynamicFrame以此作为前缀开头。stagingPath– 用于写入中间数据的 Amazon Simple Storage Service（Amazon S3）路径。options– 关系化选项和配置。目前未使用。
展平所有嵌套的结构并将数组透视为单独的表。
您可以使用此操作准备深度嵌套的数据以提取到关系数据库中。使用与 unnest 转换相同的方式展平嵌套结构。此外，将数组透视为单独的表，其中每个数组元素成为一行。例如，假设您有一个包含以下数据的 DynamicFrame。
{"name": "Nancy", "age": 47, "friends": ["Fred", "Lakshmi"]}
{"name": "Stephanie", "age": 28, "friends": ["Yao", "Phil", "Alvin"]}
{"name": "Nathan", "age": 54, "friends": ["Nicolai", "Karen"]}运行以下代码。
{{{ df.relationalize("people", "s3:/my_bucket/my_path", JsonOptions.empty) }}}
这会生成两个表。第一个表名为“people”，其中包含以下内容。
{{{ {"name": "Nancy", "age": 47, "friends": 1} {"name": "Stephanie", "age": 28, "friends": 2} {"name": "Nathan", "age": 54, "friends": 3) }}}
在这里，friends 数组已被替换为自动生成的联接键。创建了名为 people.friends 的单独表，其中包含以下内容。
{{{ {"id": 1, "index": 0, "val": "Fred"} {"id": 1, "index": 1, "val": "Lakshmi"} {"id": 2, "index": 0, "val": "Yao"} {"id": 2, "index": 1, "val": "Phil"} {"id": 2, "index": 2, "val": "Alvin"} {"id": 3, "index": 0, "val": "Nicolai"} {"id": 3, "index": 1, "val": "Karen"} }}}
在此表中，“id”是标识数组元素来自哪个记录的联接键，“index”是指在原始数组中的位置，“val”是实际的数组条目。
relationalize 方法返回通过以递归方式对所有数组应用此过程创建的 DynamicFrame 序列。
Amazon Glue 库自动为新表生成联接键。为确保联接键在作业运行中是唯一的，您必须启用作业书签。
def renameField
def renameField( oldName : String,
newName : String,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame oldName– 列的原始名称。newName– 列的新名称。
返回新 DynamicFrame，其中的指定字段进行了重命名。
您可以使用此方法重命名嵌套字段。例如，以下代码在 address 结构中将 state 重命名为 state_code。
{{{ df.renameField("address.state", "address.state_code") }}}
def repartition
def repartition( numPartitions : Int,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 返回具有 numPartitions 分区的新 DynamicFrame。
def resolveChoice
def resolveChoice( specs : Seq[Product2[String, String]] = Seq.empty[ResolveSpec],
choiceOption : Option[ChoiceOption] = None,
database : Option[String] = None,
tableName : Option[String] = None,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame choiceOption– 应用于 specs 序列中未列出的所有ChoiceType列的操作。database– 与match_catalog操作一起使用的数据目录数据库。tableName– 与match_catalog操作一起使用的数据目录表。
通过将一个或多个 ChoiceType 替换为更具体的类型来返回新 DynamicFrame。
可通过两种方式使用 resolveChoice. 第一种是指定一系列特定列以及如何解析它们。这些指定为由 (列, 操作) 对组成的元组。
可能的操作如下：
cast:type– 尝试将所有值转换为指定的类型。make_cols– 将每个不同的类型转换为名为columnName_type的列。make_struct– 将列转换为具有每个不同类型的键的结构。project:type– 仅保留指定类型的值。
resolveChoice 的另一种模式是为所有 ChoiceType 指定单个解析方法。这可以在执行前不知道 ChoiceType 的完整列表的情况下使用。除了上面列出的操作外，此模式还支持以下操作：
match_catalogChoiceType– 尝试将每个 转换为指定目录表中的对应类型。
示例：
通过转换为 int 来解析 user.id 列，并使 address 字段仅保留结构。
{{{ df.resolveChoice(specs = Seq(("user.id", "cast:int"), ("address", "project:struct"))) }}}
通过将每个选择转换为单独的列来解析所有 ChoiceType。
{{{ df.resolveChoice(choiceOption = Some(ChoiceOption("make_cols"))) }}}
通过转换为指定目录表中的类型来解析所有 ChoiceType。
{{{ df.resolveChoice(choiceOption = Some(ChoiceOption("match_catalog")), database = Some("my_database"), tableName = Some("my_table")) }}}
def schema
def schema : Schema 返回此 DynamicFrame 的架构。
保证返回的架构包含此 DynamicFrame 中的记录中存在的每个字段。但在少数情况下，它可能还包含其他字段。您可以使用 unnest 方法基于此 DynamicFrame 中的记录来“压缩”架构。
def selectField
def selectField( fieldName : String,
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 返回作为 DynamicFrame 的单个字段。
def selectFields
def selectFields( paths : Seq[String],
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame paths– 要选择的列名称序列。
返回包含指定列的新 DynamicFrame。
您只能使用 selectFields 方法选择顶级列。您可以使用 applyMapping 方法选择嵌套列。
def show
def show( numRows : Int = 20 ) : Unit numRows– 要输出的行数。
以 JSON 格式输出此 DynamicFrame 中的行。
def spigot
def spigot( path : String,
options : JsonOptions = new JsonOptions("{}"),
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided"),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 返回相同记录但写出一部分记录作为副作用的传递转换。
path– 将输出写入的 Amazon S3 中的路径，格式为s3://bucket//path。options– 描述取样行为的可选的JsonOptions映射。
返回包含与这一个相同的记录的 DynamicFrame。
默认情况下，将 100 个任意记录写入通过 path 指定的位置。您可以使用 options 映射自定义此行为。有效键包括：
topk– 指定写出的记录的总数。默认值为 100。prob– 指定包含单个记录的概率（小数形式）。默认值为 1。
例如，以下调用将对数据集进行取样，方法是以 20% 的概率选择每个记录并在写入 200 个记录后停止。
{{{ df.spigot("s3://my_bucket/my_path", JsonOptions(Map("topk" -> 200, "prob" -> 0.2))) }}}
def splitFields
def splitFields( paths : Seq[String],
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided", ""),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : Seq[DynamicFrame] paths— 包括在第一个DynamicFrame中的路径。
返回两个 DynamicFrame 的序列。第一个 DynamicFrame 包含指定路径，第二个包含所有其他列。
示例
此示例采用从 Amazon Glue 数据目录中的 legislators 数据库中的 persons 表创建的 DynamicFrame，并将 DynamicFrame 拆分为两个，其中指定的字段进入第一个 DynamicFrame，其余字段进入第二个 DynamicFrame。然后，示例将从结果中选择第一个 DynamicFrame。
val InputFrame = glueContext.getCatalogSource(database="legislators", tableName="persons", transformationContext="InputFrame").getDynamicFrame() val SplitField_collection = InputFrame.splitFields(paths=Seq("family_name", "name", "links.note", "links.url", "gender", "image", "identifiers.scheme", "identifiers.identifier", "other_names.lang", "other_names.note", "other_names.name"), transformationContext="SplitField_collection") val ResultFrame = SplitField_collection(0)
def splitRows
def splitRows( paths : Seq[String],
values : Seq[Any],
operators : Seq[String],
transformationContext : String,
callSite : CallSite,
stageThreshold : Long,
totalThreshold : Long
) : Seq[DynamicFrame] 基于将列与常量比较的谓词来拆分行。
paths– 用于比较的列。values– 用于比较的常量值。operators– 用于比较的运算符。
返回两个 DynamicFrame 的序列。第一个包含其谓词为 true 的行，第二个包含其谓词为 false 的行。
使用三个序列指定谓词：“paths”包含（可能嵌套的）列名称，“values”包含要与其进行比较的常量值，“operators”包含用于比较的运算符。所有这三个序列必须长度相同：第 n 个运算符将用于将第 n 个列与第 n 个值进行比较。
每个运算符必须是以下运算符之一：“!=”、“=”、“<=”、“<”、“>=”或“>”。
例如，以下调用将拆分 DynamicFrame，以便第一个输出帧将包含美国 65 岁以上的人员记录，第二个将包含所有其他记录。
{{{ df.splitRows(Seq("age", "address.country"), Seq(65, "USA"), Seq(">=", "=")) }}}
def stageErrorsCount
def stageErrorsCount返回在计算此 DynamicFrame 时创建的错误记录数。这不包括作为输入传递给此 DynamicFrame 的以前操作中的错误。
def toDF
def toDF( specs : Seq[ResolveSpec] = Seq.empty[ResolveSpec] ) : DataFrame 将此 DynamicFrame 转换为具有相同架构和记录的 Apache Spark SQL DataFrame。
由于 DataFrame 不支持 ChoiceType，因此此方法自动将 ChoiceType 列转换为 StructType。有关更多信息和用于解析选择的选项，请参阅 resolveChoice。
def unbox
def unbox( path : String,
format : String,
optionString : String = "{}",
transformationContext : String = "",
callSite : CallSite = CallSite("Not provided"),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame path– 要分析的列。必须是字符串或二进制。format– 用于分析的格式。optionString– 传递到格式的选项，如 CSV 分隔符。
根据指定的格式分析嵌入式字符串或二进制列。已分析的列嵌套在具有原始列名称的结构下。
例如，假设您具有包含一个嵌入式 JSON 列的 CSV 文件。
name, age, address Sally, 36, {"state": "NE", "city": "Omaha"} ...
在初始分析后，您将获取具有以下架构的 DynamicFrame。
{{{ root |-- name: string |-- age: int |-- address: string }}}
您可以对地址列调用 unbox 来分析特定组件。
{{{ df.unbox("address", "json") }}}
这为我们提供了具有以下架构的 DynamicFrame。
{{{ root |-- name: string |-- age: int |-- address: struct | |-- state: string | |-- city: string }}}
def unnest
def unnest( transformationContext : String = "",
callSite : CallSite = CallSite("Not Provided"),
stageThreshold : Long = 0,
totalThreshold : Long = 0
) : DynamicFrame 返回平展了所有嵌套结构的新 DynamicFrame。构造名称时使用“.”（句点）字符。
例如，假设您有一个包含以下架构的 DynamicFrame。
{{{ root |-- name: string |-- age: int |-- address: struct | |-- state: string | |-- city: string }}}
以下调用取消嵌套 address 结构。
{{{ df.unnest() }}}
生成的架构如下所示。
{{{ root |-- name: string |-- age: int |-- address.state: string |-- address.city: string }}}
此方法还取消嵌套数组中的嵌套结构。但由于历史原因，此类字段的名称前附加了括起来的数组的名称和“.val”。
def unnestDDBJson
unnestDDBJson(transformationContext : String = "",
callSite : CallSite = CallSite("Not Provided"),
stageThreshold : Long = 0,
totalThreshold : Long = 0): DynamicFrame
解除 DynamicFrame 中的嵌套列，具体位于 DynamoDB JSON 结构中，并返回一个新的非嵌套 DynamicFrame。属于结构类型数组的列将不会被解除嵌套。请注意，这是一种特定类型的非嵌套转换，其行为与常规 unnest 转换不同，并且要求数据已存在于 DynamoDB JSON 结构中。有关更多信息，请参阅 DynamoDB JSON。
例如，使用 DynamoDB JSON 结构读取导出的架构可能如下所示：
root |-- Item: struct | |-- ColA: struct | | |-- S: string | |-- ColB: struct | | |-- S: string | |-- ColC: struct | | |-- N: string | |-- ColD: struct | | |-- L: array | | | |-- element: null
unnestDDBJson() 转换会将此转换为：
root |-- ColA: string |-- ColB: string |-- ColC: string |-- ColD: array | |-- element: null
以下代码示例演示了如何使用 Amazon Glue DynamoDB 导出连接器、调用 DynamoDB JSON 解除嵌套命令，以及打印分区数量：
import com.amazonaws.services.glue.GlueContext import com.amazonaws.services.glue.util.GlueArgParser import com.amazonaws.services.glue.util.Job import com.amazonaws.services.glue.util.JsonOptions import com.amazonaws.services.glue.DynamoDbDataSink import org.apache.spark.SparkContext import scala.collection.JavaConverters._ object GlueApp { def main(sysArgs: Array[String]): Unit = { val glueContext = new GlueContext(SparkContext.getOrCreate()) val args = GlueArgParser.getResolvedOptions(sysArgs, Seq("JOB_NAME").toArray) Job.init(args("JOB_NAME"), glueContext, args.asJava) val dynamicFrame = glueContext.getSourceWithFormat( connectionType = "dynamodb", options = JsonOptions(Map( "dynamodb.export" -> "ddb", "dynamodb.tableArn" -> "<test_source>", "dynamodb.s3.bucket" -> "<bucket name>", "dynamodb.s3.prefix" -> "<bucket prefix>", "dynamodb.s3.bucketOwner" -> "<account_id of bucket>", )) ).getDynamicFrame() val unnested = dynamicFrame.unnestDDBJson() print(unnested.getNumPartitions()) Job.commit() } }
def withFrameSchema
def withFrameSchema( getSchema : () => Schema ) : DynamicFrame getSchema– 返回要使用的架构的函数。指定为零参数函数来推迟可能昂贵的计算。
将此 DynamicFrame 的架构设置为指定值。这主要在内部使用以避免成本高昂的架构重新计算。传入的架构必须包含数据中存在的所有列。
def withName
def withName( name : String ) : DynamicFrame name– 要使用的新名称。
返回使用新名称的此 DynamicFrame 的副本。
def withTransformationContext
def withTransformationContext( ctx : String ) : DynamicFrame 返回具有指定转换上下文的此 DynamicFrame 的副本。