Firehose JSON -> S3 Parquet -> ETL Spark，错误：无法推断 Parquet 的架构

Question

看起来这应该很容易，就像它是这组功能的核心用例一样，但问题接踵而至。

最新的是尝试通过 Glue Dev 端点（PySpark 和 Scala 端点）运行命令。

按照此处的说明进行操作：https://docs.aws.amazon.com/glue/latest/dg/dev-endpoint-tutorial-repl.html

import sys
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.transforms import *
glueContext = GlueContext(SparkContext.getOrCreate())
df = glueContext.create_dynamic_frame.from_catalog(database="mydb", table_name="mytable")

产生这个错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/mnt/tmp/spark-0ba544c9-0b5a-42bb-8a54-9b3138205179/userFiles-95708c09-59f6-4b6d-9016-d0375d511b7a/PyGlue.zip/awsglue/dynamicframe.py", line 557, in from_catalog
  File "/mnt/tmp/spark-0ba544c9-0b5a-42bb-8a54-9b3138205179/userFiles-95708c09-59f6-4b6d-9016-d0375d511b7a/PyGlue.zip/awsglue/context.py", line 136, in create_dynamic_frame_from_catalog
  File "/mnt/tmp/spark-0ba544c9-0b5a-42bb-8a54-9b3138205179/userFiles-95708c09-59f6-4b6d-9016-d0375d511b7a/PyGlue.zip/awsglue/data_source.py", line 36, in getFrame
  File "/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
  File "/usr/lib/spark/python/pyspark/sql/utils.py", line 69, in deco
    raise AnalysisException(s.split(': ', 1)[1], stackTrace)
pyspark.sql.utils.AnalysisException: u'Unable to infer schema for Parquet. It must be specified manually.;'

它还会在设置行之一中生成此警告：

18/06/26 19:09:35 WARN Client: Neither spark.yarn.jars nor spark.yarn.archive is set, falling back to uploading libraries under SPARK_HOME.

整体设置非常简单：我们有一个传入的 Kinesis 数据流，该流的处理器生成 JSON Kinesis 数据流，配置为将该 JSON 流写入 S3 中的 Parquet 文件的 Kinesis firehose 流，然后需要 Glue 目录配置才能做到这一点。

Athena 可以正常查看数据，但 Scala/PySpark 脚本出错。

有什么想法/建议吗？

Answer 1

好的，仍然不清楚为什么会发生这种情况，但是，找到了解决方法！

基本上，而不是使用生成的代码：

val datasource0 = glueContext.getCatalogSource(
        database = "db",
        tableName = "myTable",
        redshiftTmpDir = "",
        transformationContext = "datasource0"
    ).getDynamicFrame()

使用此代码：

val crawledData = glueContext.getSourceWithFormat(
        connectionType = "s3",
        options = JsonOptions(s"""{"path": "s3://mybucket/mytable/*/*/*/*/"}"""),
        format = "parquet",
        transformationContext = "source"
    ).getDynamicFrame()

这里的关键位似乎是 */*/*/*/ - 如果我只指定根文件夹，我会收到 Parquet 错误，并且（显然）普通的 /**/* 通配符不起作用。