json - AWS Glue Crawler 将 json 文件分类为 UNKNOWN

Question

我正在从事一项 ETL 工作，该工作将把 JSON 文件摄取到 RDS 暂存表中。我配置的爬虫可以对小于 1MB 的 JSON 文件进行分类。如果我缩小文件（而不是漂亮的打印），如果结果小于 1MB，它将毫无问题地对文件进行分类。

我很难想出一个解决方法。我尝试将 JSON 转换为 BSON 或 GZIPing JSON 文件，但它仍然被归类为 UNKNOWN。

有没有其他人遇到过这个问题？有一个更好的方法吗？

Answer 1

我有两个 42mb 和 16mb 的 json 文件，在 S3 上分区为路径：

• s3://bucket/stg/年/月/_0.json

• s3://bucket/stg/年/月/_1.json

我和你有同样的问题，爬虫分类为 UNKNOWN。

我能够解决它：

• 您必须使用 jsonPath 作为 "$[*]" 创建自定义分类器，然后使用分类器创建新的爬虫。
• 使用 S3 上的数据运行新的爬虫，将创建正确的架构。
• 不要使用分类器更新您当前的爬虫，因为它不会应用更改，我不知道为什么，可能是因为他们的文档中提到的分类器版本控制 AWS。创建新的爬虫使它们工作

Answer 2

如中所述

https://docs.aws.amazon.com/glue/latest/dg/custom-classifier.html#custom-classifier-json

当您使用内置 JSON 分类器运行爬网程序时，整个文件用于定义架构。因为没有指定 JSON 路径，爬虫将数据视为一个对象，即只是一个数组。

这也是Dung在他的回答中指出的。

Answer 3

另请注意，文件编码可能导致 JSON 被归类为 UNKNOWN。请尝试将文件重新编码为 UTF-8。