使用AWS Glue与AWS Kinesis构建的流式ETL作业（一）——数据实时采集

1 数据采集准备工作

1.1 研究的背景

更高效的从项目的数据集中提取有意义的数据，并进行统计分析。

1.2 使用Glue构建流式ETL的原因

AWS Glue中的流式ETL是基于Apache Spark的结构化流引擎。该引擎提供一种高容错、可扩展且易于实现的方法，能够实现端到端的流处理。

1.3 无服务器流式ETL架构

在此流式ETL架构中，将使用AWS Lambda模拟创建日志和创建AWS CloudWatch指标，并将其以流的形式发布至AWS Kinesis Data Streams中。我们还将在AWS Glue中创建一项流式ETL作业，该作业以微批次（间隔性批次处理）的形式获取连续生成的stream数据，并对数据进行转换、聚合，最后将结果传递至接收器。开发人员利用这部分结果生成可视化图表或在下游流程中继续使用。

1.4 架构

1.5 AWS Kinesis Data Stream创建

我们使用AWS Kinesis Data Stream来实时捕获数据，它可以从数十万个数据源提取并存储数据流，其中包括：

• 日志和事件数据采集（如AWS CloudWatch）
• 设备数据捕获
• 移动数据采集
• 游戏数据源

此案例中，我们将从CloudWatch中进行数据采集

步骤	图例
1、入口
2、创建（按需模式无需手动预置和扩展数据流）

1.6 AWS CloudWatch数据筛选

前置条件：已准备好用来进行数据采集的AWS CloudWatch
我们将会在某个AWS CloudWatch日志组中创建日志筛选条件

步骤	图例
1、入口
2、选择上步中创建的AWS Kinesis
3、AWS IAM角色（需要有AWS Kinesis Data Stream的权限）	权限与实体见下方“AWS IAM角色权限”
4、配置筛选条件（可根据日志格式自定义）（例如：图中配置为筛选包含"is_save_kinesis"的数据）
5、测试数据（可以选定某条日志流，或自定义数据进行测试结果显示）
6、完成日志筛选条件创建（每个日志组最多只能创建两条）

1.6.1 AWS IAM角色权限

1.6.1.1 可信实体

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": "logs.【区域】.amazonaws.com"
            },
            "Action": "sts:AssumeRole",
            "Condition": {
                "StringLike": {
                    "aws:SourceArn": "【CloudWatch的ARN】"
                }
            }
        }
     ]
}

1.6.1.2 策略

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Sid": "WriteOutputKinesis",
            "Effect": "Allow",
            "Action": [
                "kinesis:DescribeStream",
                "kinesis:PutRecord",
                "kinesis:PutRecords"
            ],
            "Resource": [
                "【Kinesis Data Stream的ARN】"
            ]
        }
    ]
}

1.7 AWS Kinesis中的数据验证

前置条件：一个已绑定上 以AWS Kinesis作为触发器的AWS Lambda实例。
此案例也可使用AWS Lambda来实现数据流的处理。每当AWS Kinesis Data Stream中传入数据时，就会触发绑定了Kinesis的AWS Lambda，由AWS Lambda来对数据进行清洗、转换和存储。
在我们向被监测的AWS CloudWatch中发送一条日志数据后，将会在AWS Kinesis Data Stream控制台监控到数据的流入。


接下来，我们将会验证解析一下Kinesis Data Stream中的数据与格式。
原始数据存储在event.Records[0].kinesis.data中（下一步的ETL工作中，我们会从此处获取数据）

1.7.1 验证代码

def lambda_handler(event, context):
    raw_kinesis_records = event['Records']
    # records = deaggregate_records(raw_kinesis_records)
    records = raw_kinesis_records
    for record in records:
        #Kinesis data is base64 encoded so decode here
        payload = base64.b64decode(record["kinesis"]["data"], validate = False)
        data = gzip.decompress(payload).decode("utf-8")
		print(data)

1.7.2 结果

其中的message为我们的原始数据的字符串

1.8 总结

在此案例中，我们使用了CloudWatch + Kinesis Data Stream完成了前期的数据实时采集的工作，并且，使用了Lambda来作为触发器来对数据进行了一个验证操作（也可使用Lambda来进行ETL工作）。

作者

Zikuo Su