从 Amazon CloudTrail 源头创建数据湖

创建数据湖的主要步骤

1. 将 Amazon Simple Storage Service (Amazon S3) 路径注册为数据湖。

2. 授予向数据目录以及数据湖中的 Amazon S3 位置写入数据的 Lake Formation 权限。

3. 创建数据库以整理数据目录中的元数据表。

4. 使用蓝图创建工作流。运行工作流以从数据来源摄取数据。

5. 设置您的 Lake Formation 权限，以允许其他人管理数据目录和数据湖中的数据。

6. 设置 Amazon Athena，以查询您导入到 Amazon S3 数据湖中的数据。

7. 对于一些数据存储类型，设置 Amazon Redshift Spectrum 以查询您导入到 Amazon S3 数据湖中的数据。

1. 从 IAM 打开 https://console.amazonaws.cn/iam 控制台。以您在中创建的管理员用户或使用AdministratorAccess Amazon 托管策略的用户身份登录。

2. 使用以下设置创建名为 datalake_user 的用户：

   • 启用 Amazon Web Services Management Console 访问权限。

   • 设置密码，不需要重置密码。

   • 附加AmazonAthenaFullAccess Amazon 托管策略。

   • 附加下面的内联策略。将该策略命名为 DatalakeUserBasic。

     {
         "Version": "2012-10-17",
         "Statement": [
             {
                 "Effect": "Allow",
                 "Action": [
                     "lakeformation:GetDataAccess",
                     "glue:GetTable",
                     "glue:GetTables",
                     "glue:SearchTables",
                     "glue:GetDatabase",
                     "glue:GetDatabases",
                     "glue:GetPartitions",
                     "lakeformation:GetResourceLFTags",
                     "lakeformation:ListLFTags",
                     "lakeformation:GetLFTag",
                     "lakeformation:SearchTablesByLFTags",
                     "lakeformation:SearchDatabasesByLFTags"                
                ],
                 "Resource": "*"
             }
         ]
     }

1. 将下面的内联策略附加到角色 LakeFormationWorkflowRole。该策略授予读取您的 Amazon CloudTrail 日志的权限。将该策略命名为 DatalakeGetCloudTrail。

   要创建 LakeFormationWorkflowRole 角色，请参阅（可选）为工作流程创建 IAM 角色。

   重要

   Replace（替换） <your-s3-cloudtrail-bucket> 以及您的 CloudTrail 数据所在的 Amazon S3 位置。

   {
       "Version": "2012-10-17",
       "Statement": [
           {
               "Effect": "Allow",
               "Action": "s3:GetObject",
               "Resource": ["arn:aws:s3:::<your-s3-cloudtrail-bucket>/*"]
           }
       ]
   }

2. 确认向该角色附加了三项策略。

1. 打开 Amazon S3 控制台，https://console.aws.amazon.com/s3/并以您在中创建的管理员用户身份登录。

2. 选择 C reate bucket，然后通过向导创建名为的存储桶<yourName>-datalake-cloudtrail，其中 <yourName> 是您的名字首字母和姓氏。例如：jdoe-datalake-cloudtrail。

   有关创建 Amazon S3 存储桶的详细说明，请参阅创建存储桶。

1. 打开 Lake Formation 控制台，网址为https://console.aws.amazon.com/lakeformation/。以数据湖管理员身份登录。

2. 在导航窗格中的注册和提取下，选择数据湖位置。

3. 选择注册位置，然后选择浏览。

4. 选择您之前创建的<yourName>-datalake-cloudtrail存储桶，接受默认IAM角色AWSServiceRoleForLakeFormationDataAccess，然后选择注册位置。

   有关注册位置的更多信息，请参阅向数据湖添加 Amazon S3 位置。

1. 在导航窗格中的权限下，选择数据位置。

2. 选择授权，然后在授予权限对话框中进行以下选择：

   1. 对于IAM用户和角色，选择LakeFormationWorkflowRole。

   2. 对于存储位置，选择您的 <yourName>-datalake-cloudtrail 存储桶。

3. 选择授权。

1. 在导航窗格中的数据目录下，选择数据库。

2. 选择创建数据库，然后在数据库详细信息下输入名称 lakeformation_cloudtrail。

3. 将其他字段留空，然后选择创建数据库。

1. 在 Lake Formation 控制台的导航窗格中的数据目录下，选择数据库。

2. 选择 lakeformation_cloudtrail 数据库，然后从操作下拉列表中，选择“权限”标题下的授权。

3. 在授予数据权限对话框中进行以下选择：

   1. 在 “委托人” 下，针对IAM用户和角色，选择LakeFormationWorkflowRole。

   2. 在 LF 标签或目录资源下，选择命名数据目录资源。

   3. 对于数据库，您应该看到已添加 lakeformation_cloudtrail 数据库。

   4. 在数据库权限下，选择创建表、更改和删除，如果已选中超级，请将其清除。

   现在，您的授予数据权限对话框看上去应类似于以下屏幕截图。

   

4. 选择授权。

1. 在 Lake Formation 控制台的导航窗格中，选择蓝图，然后选择使用蓝图。

2. 在使用蓝图页面的蓝图类型下，选择Amazon CloudTrail。

3. 在 “导入来源” 下，选择 CloudTrail 来源和开始日期。

4. 在导入目标下，指定以下参数：

   目标数据库	lakeformation_cloudtrail
   目标存储位置	s3://<yourName>-datalake-cloudtrail
   Data format（数据格式）	Parquet

5. 对于导入频率，选择按需运行。

6. 在导入选项下，指定以下参数：

   工作流名称	lakeformationcloudtrailtest
   IAM角色	LakeFormationWorkflowRole
   表前缀	cloudtrailtest 注意 必须小写。

7. 选择创建，然后等待控制台报告已成功创建工作流。

   提示

   您是否收到了以下错误消息？

   User: arn:aws:iam::<account-id>:user/<datalake_administrator_user> is not authorized to perform: iam:PassRole on resource:arn:aws:iam::<account-id>:role/LakeFormationWorkflowRole...

   如果是，请检查是否已更换 <account-id> 在内联策略中，适用于具有有效 Amazon 账号的数据湖管理员用户。

• 在蓝图页面上，选择工作流 lakeformationcloudtrailtest，然后在操作菜单中选择开始。

  当工作流运行时，您可以在上次运行状态列中查看其进度。时不时地选择刷新按钮。

  状态从RUNNING、到 “正在发现”、“正在导入” 和 “正在导入”，再到COMPLETED。

  工作流完成后：

  • 数据目录中将具有新的元数据表。

  • 您的 CloudTrail 日志将被提取到数据湖中。

  如果工作流失败，请执行以下操作：

  1. 选择该工作流，然后在操作菜单上选择查看图表。

     该工作流将在 Amazon Glue 控制台中打开。

  2. 确保已选择工作流，然后选择历史记录选项卡。

  3. 在历史记录下，选择最近的运行，然后选择查看运行详细信息。

  4. 在动态（运行时）图表中选择失败的作业或爬网程序，然后查看错误消息。失败的节点为红色或黄色。

1. 在 Lake Formation 控制台的导航窗格中的数据目录下，选择数据库。

2. 选择 lakeformation_cloudtrail 数据库，然后从操作下拉列表中，选择“权限”标题下的授权。

3. 在授予数据权限对话框中进行以下选择：

   1. 在 “委托人” 下，针对IAM用户和角色，选择datalake_user。

   2. 在 LF 标签或目录资源下，选择命名数据目录资源。

   3. 对于数据库，应该已经选择了 lakeformation_cloudtrail 数据库。

   4. 对于表，选择 cloudtrailtest-cloudtrail。

   5. 在表和列权限 下，选择选择。

4. 选择授权。

1. 打开 Athena 控制台，并https://console.aws.amazon.com/athena/以数据分析师用户身份登录。datalake_user

2. 如有必要，请选择开始使用以继续使用 Athena 查询编辑器。

3. 对于 Data source (数据源)，选择 AwsDataCatalog。

4. 对于 Database (数据库)，请选择 lakeformation_cloudtrail。

   表列表即会填充。

5. 在表 cloudtrailtest-cloudtrail 旁边的溢出菜单（水平排列的 3 个点）上，选择预览表，然后选择运行。

   查询即会运行并显示 10 行数据。

   如果您以前没有使用过 Athena，则必须先在 Athena 控制台中配置 Amazon S3 位置以用于存储查询结果。datalake_user 必须拥有必需的权限，才能访问您选择的 Amazon S3 存储桶。