Day 18 - AWS Glue & Athena - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

2023 iThome 鐵人賽

DAY 18

Cloud Native

AWS AI交易室實戰系列第 18 篇

Day 18 - AWS Glue & Athena

15th鐵人賽

slinbb

2023-09-23 00:11:56

266 瀏覽

分享至

～膠水與雅典娜～

AWS Glue 是一種無伺服器、可擴展的資料整合服務，可讓您更輕鬆地探索、準備、移動和整合來自多個來源的資料，以進行分析、機器學習 (ML) 和應用程式開發。~ by AWS ~

每一次 AWS 官方的解釋都讓我一頭霧水，這也難怪，服務既要設計得有彈性可擴展，功能當然是涵蓋的面向會很廣，講白話一些，AWS Glue 就是 AWS 的 ETL 服務，不過這個服務本身可以提供查詢語言下指令去查詢資料，其所內建的資料表我們稱為 AWS Glue Data Catalog。

Amazon Athena 是一種互動式查詢服務，可在 Amazon S3 中使用標準 SQL 簡單地直接分析資料。Athena 是無伺服器服務，因此無需設定或管理基礎設施，並且您可以選擇根據執行的查詢或查詢所需的運算付費。使用 Athena 處理日誌、執行資料分析及執行互動式查詢。Athena 會自動擴展 (平行執行查詢)，所以可以很快取得結果，即使是大型資料集和複雜查詢也是一樣。~ by AWS ~

AWS Athena 簡單的說就是可以下 SQL 的互動式 Dashboard，可以直接下到 S3，但是因為 S3 存放的檔案多半是沒有結構化的資料，所以需要 AWS Glue 做先期處理，通過簡單的 SQL 在 Athena 就可以生成漂亮的圖表了。

我們直接來看一個應用：

準備資料，這是一個關於 Dota 2 遊戲的比賽資料，進入下方頁面後點擊右上角「Download」下載資料
https://www.kaggle.com/datasets/devinanzelmo/dota-2-matches
解壓縮後，會是一個 archive 的資料夾，裡面長這樣，如下左圖
請依檔名建立資料夾並將檔案放置於內，如下右圖：
會這樣做的原因是因為會這樣做的原因是因為 Athena 會視資料夾內的檔案為同一種檔案結構去分析
然後我們建立一個叫”marathon-data-lake”的 S3 Bucket，然後把檔案傳上去

# in Day16/archive directory
$ aws s3 mb s3://marathon-data-lake
make_bucket: marathon-data-lake

# file upload
$ aws s3 cp archive/ s3://marathon-data-lake --recursive

接著我們就可以建立 Glue 的 Crawler 去把資料爬到 Glue 的資料庫裡面，我們先建立資料庫，還要建立有讀取 s3 權限的 policy & crawler 所需要的角色，把 policy attach 到 crawler 上面

# in Day16/ directory
# create glue database
$ aws glue create-database --database-input "{\"Name\":\"marathon-data-lake-db\"}"

# create policy
$ aws iam create-policy --policy-name DataLakeReadAccess \
--policy-document file://policy.json

# create role
$ aws iam create-role \
--role-name GlueCrawlerRole --assume-role-policy-document file://role-policy.json

# allocate two policies: the AWSGlueServiceRole policy (this is managed by AWS) and the DataLakeReadAccess policy we created earlier.
$ aws iam attach-role-policy \
--role-name GlueCrawlerRole \
--policy-arn arn:aws:iam::aws:policy/service-role/AWSGlueServiceRole
$ aws iam attach-role-policy --role-name GlueCrawlerRole --policy-arn arn:aws:iam::<ACCOUNT-ID>:policy/DataLakeReadAccess

萬事俱備，然後我們就可以建立 crawler，建立後 Run Crawler：

# create crawler
$ aws glue create-crawler \
--name marathon-crawler \
--role arn:aws:iam:<ACCOUNT-ID>:role/GlueCrawlerRole \
--database-name marathon-data-lake-db \
--targets "{\"S3Targets\":[{\"Path\":\"s3://marathon-data-lake\"}]}"

# run the crawler
$ aws glue start-crawler --name marathon-crawler 

# list all tables created
$ aws glue get-tables --database-name marathon-data-lake-db

接著我們打開 web console 進入 Athena 服務：
我們要先到設定設定查詢結果放的 s3 bucket 目錄位置：(可以設定為 s3://marathon-data-lake/results/ )

Amazon Athena -> Query editor -> Manage settings
然後在 Query Editor 貼上下面 SQL 接著按 Run，可以得到資料

SELECT
  players.account_id,
  players.last_hits,
  heros.localized_name
FROM "marathon-data-lake-db"."players" AS players
INNER JOIN "marathon-data-lake-db"."hero_names" AS heros
ON heros.hero_id = players.hero_id
LIMIT 20;

結果如下圖：
用完後記得清理資源

# 刪除 crawler
$ aws glue delete-crawler --name <crawler-name>

# 刪除 crawler database
$ aws glue delete-database --name <database-name>

# 刪除 s3 bucket
$ aws s3 rb s3://<bucket-name>

本日簡單介紹了 AWS 資料處理的服務，感受一下在雲端處理大量資料的基本形式，S3 服務作為存儲資料第一選擇，自然就理所當然是處理結果的存放地點，後續要從其他服務透過 SDK 處理相信是不太困難的事情。