Zenn
🛠️

【AWS Glue】ETLジョブでファイル拡張子をtsvからparquetへ変換する際の注意点

2023/09/17に公開
AWS
S3
athena
Glue
tech

はじめに

tsvファイルを参照元としているAthenaテーブルを、parquetファイルへ変換し新たなテーブルを作るETLジョブをGlueで作成する場合の個人的な注意点について書きました。

AWS Glue Studioだと
Source : AWS Glue Data Catalog → Target: Amazon S3

な時のシチュエーションです。

主には型変換の話になります。
設定により意図しない型になったりデータが消えたりします。

事前準備

tsvファイル作成

tsvファイルは以下の内容になっています。

sample.tsv
tinyint_column	smallint_column	int_column	bigint_column	double_column	boolean_column	varchar_column	string_column	date_column	timestamp_column
0	1	2	3	0.1	true	short_text	hello	2021-01-01	2021-01-01 01:23:45
1	2	3	4	1.1	false	medium_text	world	2021-01-02	2021-01-02 12:34:56
2	3	4	5	2.2	true	another_text	apple	2021-01-03	2021-01-03 01:23:45
3	4	5	6	3.3	false	more_text	banana	2021-01-04	2021-01-04 12:34:56
4	5	6	7	4.4	true	text_here	cherry	2021-01-05	2021-01-05 01:23:45
5	6	7	8	5.5	false	even_more	dog	2021-01-06	2021-01-06 12:34:56
6	7	8	9	6.6	true	text_again	elephant	2021-01-07	2021-01-07 01:23:45
7	8	9	10	7.7	false	more_here	frog	2021-01-08	2021-01-08 12:34:56
8	9	10	11	8.8	true	texting	grape	2021-01-09	2021-01-09 01:23:45
9	10	11	12	9.9	false	example	horse	2021-01-10	2021-01-10 12:34:56
10	11	12	13	10.1	true	more_text	india	2021-01-11	2021-01-11 01:23:45
11	12	13	14	11.1	false	last_one	jackal	2021-01-12	2021-01-12 12:34:56

Amazon Athena のデータ型に記載されている型の一部をテストします。
https://docs.aws.amazon.com/ja_jp/athena/latest/ug/data-types.html

これをs3://target-bucket/sample_tsv/log_date=YYYY-MM-DD/sample.tsvへアップロードします。
log_date=YYYY-MM-DDはAthenaでのHive形式のパーティションを想定しています。
https://docs.aws.amazon.com/ja_jp/athena/latest/ug/partitions.html#partitions-preparing-data

変換前テーブル作成

AthenaでCREATE TABLEを実行します。

CREATE EXTERNAL TABLE IF NOT EXISTS `default`.`sample_tsv` (
  `tinyint_column` TINYINT,
  `smallint_column` SMALLINT,
  `int_column` INT,
  `bigint_column` BIGINT,
  `double_column` DOUBLE,
  `boolean_column` BOOLEAN,
  `varchar_column` VARCHAR(255),
  `string_column` STRING,
  `date_column` DATE,
  `timestamp_column` TIMESTAMP
)
PARTITIONED BY ( 
  `log_date` DATE)
ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY '\t'
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION 's3://target-bucket/sample_tsv/'
TBLPROPERTIES (
  'serialization.null.format'='NULL', 
  'skip.header.line.count'='1'
  )

パーティションをロードします。

MSCK REPAIR TABLE `sample_tsv`;

SELECT * FROM "default"."sample_tsv" limit 10;

変換前のテーブルを作ることができました。

parquetへ変換

AWS Glue Studioを使ってsample_tsvテーブルの参照元データをparquetに変換し、sample_parquetテーブルを作ります。

https://docs.aws.amazon.com/ja_jp/glue/latest/ug/creating-jobs-chapter.html

そのまま変換

まずはChange Schemaを用いないでそのまま変換します。(Change Schemaは下記画像の事です)

Glue Studioでは以下のような設定になります。

設定はdefault.sample_tsvテーブルを用いてdefault.sample_parquetテーブルを作るというシンプルな流れです。

実行してテーブルができました！

ですが、一部の型がstringになっています。

stringになってしまっている型は

  • tinyint
  • smallint
  • varchar
  • date
  • timestamp

です。

ChangeSchemaを挟んで変換

一部の型が適切に変換されなかったので、Change Schemaを処理の間に挟みます。

自動でData typeの項目を埋めてくれますが、BIGINTはLONGとして入れられます。このまま実行すると型が対応していないとエラーを吐くのでBIGINTに戻します。

また、この状態で自動生成されるScriptのChange Schemaのコードを見ると

# Script generated for node Change Schema
ChangeSchema_node1694928138274 = ApplyMapping.apply(
    frame=DataCatalogtable_node1,
    mappings=[
        ("tinyint_column", "byte", "tinyint_column", "byte"),
        ("smallint_column", "short", "smallint_column", "short"),
        ("int_column", "int", "int_column", "int"),
        ("bigint_column", "long", "bigint_column", "bigint"),
        ("double_column", "double", "double_column", "double"),
        ("boolean_column", "boolean", "boolean_column", "boolean"),
        ("varchar_column", "string", "varchar_column", "varchar"),
        ("string_column", "string", "string_column", "string"),
        ("date_column", "date", "date_column", "date"),
        ("timestamp_column", "timestamp", "timestamp_column", "timestamp"),
        ("log_date", "date", "log_date", "date"),
    ],
    transformation_ctx="ChangeSchema_node1694928138274",
)

となっています。
ソースタイプの部分はこちらから設定する必要が有るので、Edit scriptから編集します。

https://docs.aws.amazon.com/ja_jp/glue/latest/dg/aws-glue-api-crawler-pyspark-transforms-ApplyMapping.html

ソースタイプ・ターゲットタイプ共に変換前テーブル作成で実行したときのEXTERNAL CREATE TABLEの型に変更しました。

create tableのスキーマに倣って設定
    mappings=[
        ("tinyint_column", "tinyint", "tinyint_column", "tinyint"),
        ("smallint_column", "smallint", "smallint_column", "smallint"),
        ("int_column", "int", "int_column", "int"),
        ("bigint_column", "bigint", "bigint_column", "bigint"),
        ("double_column", "double", "double_column", "double"),
        ("boolean_column", "boolean", "boolean_column", "boolean"),
        ("varchar_column", "varchar(255)", "varchar_column", "varchar(255)"),
        ("string_column", "string", "string_column", "string"),
        ("date_column", "date", "date_column", "date"),
        ("timestamp_column", "timestamp", "timestamp_column", "timestamp"),
        ("log_date", "date", "log_date", "date"),
    ],

これで実行します。

型変換の部分でエラーが発生します。

正しい例

そのまま変換にてstringに変換されていた型のソースタイプを全てstringに直します。

そのまま変換でstringに変換されていた型のソースタイプをstringに
    mappings=[
        ("tinyint_column", "string", "tinyint_column", "tinyint"),
        ("smallint_column", "string", "smallint_column", "smallint"),
        ("int_column", "int", "int_column", "int"),
        ("bigint_column", "bigint", "bigint_column", "bigint"),
        ("double_column", "double", "double_column", "double"),
        ("boolean_column", "boolean", "boolean_column", "boolean"),
        ("varchar_column", "string", "varchar_column", "varchar(255)"),
        ("string_column", "string", "string_column", "string"),
        ("date_column", "string", "date_column", "date"),
        ("timestamp_column", "string", "timestamp_column", "timestamp"),
        ("log_date", "string", "log_date", "date"),
    ],

実行して成功しました！型もバッチリです。

というわけで、Change Schemaを挟まずに変換した場合に型がstringになってしまうカラムに対してソースタイプをstringにすると、適切な型の状態で拡張子を変換しテーブルを作成できます。

ソースタイプを全てstringにして変換

「型を見てソースタイプをstringにするの面倒！最初から全部stringでいいんじゃない？」と思ったのでやってみます。

ソースタイプを全てstringに
    mappings=[
        ("tinyint_column", "string", "tinyint_column", "tinyint"),
        ("smallint_column", "string", "smallint_column", "smallint"),
        ("int_column", "string", "int_column", "int"),
        ("bigint_column", "string", "bigint_column", "bigint"),
        ("double_column", "string", "double_column", "double"),
        ("boolean_column", "string", "boolean_column", "boolean"),
        ("varchar_column", "string", "varchar_column", "varchar(255)"),
        ("string_column", "string", "string_column", "string"),
        ("date_column", "string", "date_column", "date"),
        ("timestamp_column", "string", "timestamp_column", "timestamp"),
        ("log_date", "string", "log_date", "date"),
    ],

実行自体は成功しましたが、一部カラムはデータが無くなってしまいました。

そのまま変換で変換できていた部分が見事に空になっていますね。
元データを確認してもデータが無くなっています。

まとめ

tsvファイルを参照しているAthenaテーブルを用いて、parquetへ拡張子変換し、新たなAthenaテーブルをAWS Glue ETL ジョブで作る場合は

Discussion