在AWS胶水中登录
我已经创建了一个成功执行的AWS胶水作业。但是，我无法在作业中放置任何自定义日志记录。
如何在AWS S3存储桶中创建日志文件，以便跟踪日常作业执行情况？
目前，当我的工作执行时，它会创建默认日志（即火花日志），我可以在AWS云手表中看到它。在AWS胶水中记录事件的最佳实践是什么？
共有1个答案
AWS Glue旨在通过CloudWatch进行最佳日志记录（有关详细信息，请参阅此文档）。由于您的日志越来越大，无法确定根本原因，而且CloudWatch中没有符合@varnit建议的事件，因此我们可以做下一件最好的事情：创建一个CloudWatch仪表板，该仪表板带有一个查询，可以拉取您日志的过滤版本。
在CloudWatch控制台上，导航到“Dashboards”，然后选择“Create dashboard”。给它起个有意义的名字（例如，“粘贴自定义日志”）。继续，我们将添加并配置一个“查询结果”小部件。如果使用默认值，请选择日志流，可能是“/aws glue/jobs/error”，并注意，如果使用普通python打印，则glue默认为错误流。为回溯选择一个合理的时间窗口，以便对结果进行某种程度的预筛选。
如果自定义日志消息中有唯一标识符，如“glue custom log”，我们现在可以轻松编写一个过滤结果的查询：
fields @timestamp, @message
| filter @message like 'glue-custom-log'
| sort @timestamp desc
保存小部件，保存仪表板，现在您就可以在CloudWatch中轻松访问预过滤日志，以满足您的自定义日志记录需求。
-
我每天都有csv文件被传递到S3，这些文件在当月是增量的。所以file1包含第1天的数据，file2包含第1天和第2天的数据，等等。每天我都想对该数据运行一个ETL并将其写入不同的S3位置，这样我就可以使用Athena查询它，而不会出现重复的行。本质上，我只想查询聚合数据的最新状态（这只是最近交付给S3的文件的内容）。 我认为书签不会起作用，因为增量交付包含以前文件中的数据，因此会产生重复。我知道
-
我需要对S3 bucket执行附加加载。 每天都有新的. gz文件被转储到S3位置，胶水爬虫读取数据并在数据曲库中更新它。 Scala AWS Glue作业运行并仅过滤当前日期的数据。 上面过滤的数据按照一些规则进行转换，并创建一个分区的动态数据帧（即年、月、日）级别。 现在，我需要将这个动态数据帧写入到S3 bucket中，其中包含所有前一天的分区。事实上，我只需要将一个分区写入S3存储桶。目前
-
我有一个S3存储桶，每天的文件都会被丢弃。AWS爬虫从该位置爬网数据。在我的glue作业运行的第一天，它将获取AWS crawler创建的表中的所有数据。例如，在第一天就有三个文件。（即file1.txt、file2.txt、file3.txt）和glue job在执行glue job的第一天处理这些文件。第二天，另两个文件到达S3位置。现在，在S3位置，这些是存在的文件。（即file1.txt、
-
当我试图提取1个表时，我使用AWS Glue从EC2(Postgre)提取要转换的数据，并将其放在S3上。我得到一个错误，如下所示： 有什么我能做的吗？我试图删除null字段或fillna，但这些都不起作用。
-
我有一个数据帧。我需要将每个记录转换为JSON，然后使用JSON负载调用API将数据插入postgress。我在数据框中有14000条记录，要调用api并获得响应，需要5个小时。有没有办法提高性能。下面是我的代码片段。 注意：我知道通过做"json_insert=df_insert.toJSON（）。收集（）"我正在失去数据帧的优势。有没有更好的方法来完成。
-
对于要在拼花格式的S3存储桶中的数据上运行的作业，有两种方法： > 使用 由于我的数据方案不会及时更改，使用爬虫程序是否有任何优势（性能方面或其他方面）？在这种情况下，我为什么需要爬虫？