1

所以我正在使用 AWS pyspark，并且每天都有千兆字节的数据，这些数据正在更新。我想在胶水数据库中的现有表中查找数据的 id，如果 id 已经存在则更新，如果 id 不存在则插入。

是否可以在 AWS 胶水中做到这一点？

谢谢！

4

2 回答 2

1

是的，您可以为此使用 Glue Pyspark 扩展。

data_sink = glue_context.getSink(
                    path="s3_path",
                    connection_type="s3",
                    updateBehavior="UPDATE_IN_DATABASE",
                    partitionKeys=['partition_column'],
                    compression="snappy",
                    enableUpdateCatalog=True,
                )
data_sink.setCatalogInfo(
                catalogDatabase=database_name,
                catalogTableName=table_name,
                )
data_sink.setFormat("glueparquet")
data_sink.writeFrame(data_frame)
于 2021-05-10T06:53:26.487 回答
0

您可以在粘合作业中使用 Athena 查询来实现您的逻辑。https://docs.aws.amazon.com/athena/latest/ug/querying-athena-tables.html

于 2021-05-08T09:56:24.193 回答