基于AWS Serverless的Glue服务进行ETL(提取、转换和加载)数据分析（一）——创建Glue

1 通过Athena查询s3中的数据

此实验使用s3作为数据源

ETL:

E    extract         输入
T    transform     转换
L    load             输出

1.1 架构图

1.2 创建Glue数据库

首先我们需要创建一个数据库。我们将会使用爬网程序来填充我们的数据目录。

步骤	图例
1、入口
2、创建数据库 只需输入一个数据库名称即可
3、结果

1.3 创建爬网程序

在任务中，我们经常会使用Glue爬网程序来填充我们的数据目录。
爬虫可以在一次运行中爬取多个数据存储。在爬取完成后，我们会在数据目录中看到由爬虫创建的一个或多个表。
创建表后，我们就可以在接下来的Athena查询或ETL作业中使用表来作为源或目标了。

步骤	图例
1、入口
2、输入爬虫名称
3、选择数据源类型（Data Stores：创建，Existing catalog tables：更新） 选择爬取类型（Crawl all folders：爬取全部文件夹，Crawl new folders only：只爬取新文件夹，Crawl changed folders indentified by Amazon S3 Event Notifications：只爬取S3事件通知的有变更的文件夹）
4、选择s3 （可对s3中的需要爬取的数据进行筛选）
5、创建或选择爬网程序IAM角色（需要有对应S3与Glue的权限）
6、对于不确定的实时数据或许要定时更新的数据，可按需选择频率；若只需创建表结构，可选择按需运行
7、确认

此时，数据库与爬网程序已准备完毕。
我们将会运行爬网程序自动分析数据结构并创建表。

1.4 创建表

如果对待爬取数据结构未知，或者结构复杂、字段繁杂，则使用“爬网程序创建表”；对于对待爬取数据结构清晰明了的，可以使用“手动创建表”模式。

1.4.1 爬网程序创建表

步骤	图例
1、运行
2、运行中
3、运行完毕
4、运行结果
5、表结构

1.4.2 手动创建表

步骤	图例
1、入口
2、表名
3、数据源
4、选择文件类型
5、手动创建表需要自定义列；请根据提示创建
6、一直下一步即可

1.5 Athena查询

Athena是一种交互式查询服务（不是数据库）。并且Athena可以使用标准SQL直接查询S3中的数据，前提是需要使用Glue连接S3源。Athena还支持查询如DynamoDB、Redshift、MySQL等数据库。

步骤	图例
1、入口
2、设置查询结果存储位置：s3
3、查看表，可查看数据库以及其中的表
4、查询结果：使用sql查询

1.6 总结

在此实验中，我们使用Glue 的爬网程序自动解析存储在s3桶中的原始数据，自动创建了表。通过Glue数据库中的表，我们可以使用Athena对表进行查询（Athena每次检索表对应的s3桶数据，按检索量收费）。接下来我们会对原始数据进行转换、清洗以及分区操作，以及使用API Gateway+Lambda实现一个无服务架构，通过API查询数据。

作者

Zikuo Su