AWS之Glue使用方法

Glue是AWS的云上ETL工具，核心是Spark，查询也是先获取数据源的元数据，再通过元数据溯源数据。
本文示范使用Glue把数据从RDS抽到redshift的操作
总体步骤：
1.连接数据源
2.建立爬网程序
3.运行爬网程序生成元数据表
4.建立作业
5.运行作业
（再后面还可建立工作流程实现作业流，本文未涉及）

建立连接

连接可以是（半结构化）文件，和各种数据库，和kafka
图中的“数据库”是AWS对元数据表集合的叫法而已，和我们说的数据库不是一个概念，“表”是指元数据表，“连接”是指数据连接
添加元数据表的方法分手动添加和爬网程序添加（其实就是自动添加，和爬虫没关系，为了可以及时侦测元数据改变，爬网程序可以重复定时按计划进行，所以推荐爬网程序添加）
分类器可以自定义识别半结构化文件方式

首先按引导各自连接RDS和redshift，其中有一步容易踩坑，需要IAM角色权限，细节如下，缺一不可：
1.第一步创建IAM角色并给AWSGlueServiceRole这个策略权限https://amazonaws-china.com/cn/blogs/china/use-aws-glue-to-run-etl-jobs-against-non-native-jdbc-data-source/
2.保证RDS和redshift所在的VPC终端节点列表中加入了S3

最后建立连接如下

建立爬网程序

按引导建立爬网程序获取下图这张RDS中的表的元数据

运行成功后会在“表”中会生成一张元数据表

建立作业

PS：Glue的作业是自动临时搭建spark环境的，大概需要15分钟，然后才开始跑，作业完成后5分钟若没有下个作业使用该环境便会自动销毁；数据少可以不用spark，只用python shell来进行ETL，启动时间短，但步骤好麻烦学不来，宁愿用spark等15分钟

这一步的IAM同样使用建立连接时的IAM角色





运行作业，等待15分钟（上面说的需要搭环境），报succeeded后用navicat查看redshift中已经创建并同步了这张表数据