示例: 我在 Glue 目录中有一个带有 DDL 的分区表:
CREATE EXTERNAL TABLE `test`(
`id` int,
`data` struct<a:string,b:string>)
PARTITIONED BY (
`partition_0` string)
ROW FORMAT SERDE
'org.openx.data.jsonserde.JsonSerDe'
S3 中的底层数据是具有不同模式的 json 文件,这意味着某些元素可能不存在于某些文件中但存在于其他文件中。
在此示例 partition_0='01' 包含包含所有元素的 json 文件:
{"id": 1,"data": {"a": "value-a", "b": "value-b"}}
partition_0='02' 中的文件不包含元素 data.b:
{"id": 1,"data": {"a": "value-a"}}
问题: 当我在 Glue(我使用 Python)中创建 DynamicFrame 时,它的架构取决于我查询的数据。如果我包含来自 partition_0='01' 的数据,则所有元素都存在于架构中。
id_partition_predicate="partition_0 = '01'"
print("partition with 'b'")
glueContext.create_dynamic_frame.from_catalog(database = glue_source_database, table_name = "test", push_down_predicate = id_partition_predicate).printSchema()
partition with 'b'
root
|-- id: int
|-- data: struct
| |-- a: string
| |-- b: string
|-- partition_0: string
print("both partitions")
glueContext.create_dynamic_frame.from_catalog(database = glue_source_database, table_name = "test").printSchema()
both partitions
root
|-- id: int
|-- data: struct
| |-- a: string
| |-- b: string
|-- partition_0: string
如果我仅查询 partition_0='02' 中的数据,则即使元素 data.b 存在于表定义中,它也不存在于 DynamicFrame 架构中。
print("partition without 'b'")
id_partition_predicate="partition_0 = '02'"
glueContext.create_dynamic_frame.from_catalog(database = glue_source_database, table_name = "test", push_down_predicate = id_partition_predicate).printSchema()
partition without 'b'
root
|-- id: int
|-- data: struct
| |-- a: string
|-- partition_0: string
问题:如何创建始终包含 Glue 表架构中所有元素的 DynamicFrame 或 DataFrame?
提前致谢!