AWS Glue Studio に追加になったTransformを試してみた - 202302

背景・目的

AWS Glue Studio Visual ETL now supports 5 new transformsのとおり、Glue Visual Studioで5つのTransformが追加になったので試してみます。

まとめ

• Glue Studioに5つのTransformが追加されました。
  • Identifier
  • UUID
  • flatten
  • Format timestamp
  • To timestamp

概要

今回追加になったのは、下記のTransformです。いずれも新しいカラムを追加できる機能のようです。

• Identifier
  • データセットの各行に数値識別子を割り当てる。
• UUID
  • UUID (Universally Unique Identified) 列を追加すると、各行に一意の 36 文字の文字列が割り当てられる。
• flatten
  • データ内のネストされた構造体のフィールドをフラット化して、それらがトップレベルのフィールドになるように変換する。
  • 新しいフィールドは、それに到達する構造体フィールドの名前を前に付けたフィールド名を使用して、ドットで区切られた名前が付けられます。
  • 例を下記に記載する。

    {phone_numbers:{country_code,number}}
    ↓
    {phone_numbers.home_phone.country_code,phone_numbers.home_phone.number}
    

• Format timestamp
  • タイムスタンプ列をパターンに基づいて文字列にフォーマットする。 日付と時刻を目的の形式の文字列として取得できる。
  • 形式は、Spark の日付構文とほとんどの Python 日付コードを使用して定義可能とのこと。
  • 例えば2023-01-01 00:00のように変換するには、yyyy-MM-dd HH:mmを指定する。
• To timestamp
  • 数値列または文字列列のデータ型をタイムスタンプに変更し、そのデータ型で格納したり、タイムスタンプを必要とする他の変換に適用したりできる。

実践

追加になったTransformについて試してみます。

前準備

下記のようなテストデータをS3バケットに配置しておきます。

$ aws s3 cp  s3://{バケット名}/input/transform.json - | jq
{
  "order_id": "00001",
  "org_created_on": 1675414800,
  "org_updated_on": 1675384053,
  "goods": {
    "goods_id": "g-00001",
    "price": "1000"
  }
}
$

Transformを追加

下記のように5種類のTransformを追加しました。

設定値は下記のとおりです。

Transform	新しいカラム名	備考
identifier	added_id
UUID	added_uuid
Flatten
to timestamp	converted_updated_on	Column typeは「autodetect」を指定しています。
format	converted_created_on	・timestamp型に変換した、「timestamp_created_on」をインプットにしています。 ・formatはyyyy-MM-dd'T'HH:mm:ss.SSSZとしています。

実行確認

1. ジョブを実行しました。Succeededになりました。
   

2. outputバケットにそれぞれファイルが作成されていました。
   

1.作成されたファイルの内容を確認します。

Identifier

• 行末に0から始まるIDが追加されています。

$ aws s3 cp s3://{バケット名}/output/identifier/run-1675387477729-part-r-00000 - | jq                
{
  "order_id": "00001",
  "org_created_on": 1675414800,
  "org_updated_on": 1675384053,
  "goods": {
    "goods_id": "g-00001",
    "price": "1000"
  },
  "added_id": 0
}
$ 

UUID

• 行末にUUIDが追加されています。

$ aws s3 cp s3://{バケット名}/output/uuid/run-1675387486264-part-r-00000 - | jq
{
  "order_id": "00001",
  "org_created_on": 1675414800,
  "org_updated_on": 1675384053,
  "goods": {
    "goods_id": "g-00001",
    "price": "1000"
  },
  "added_uuid": "b59548c9-461f-4a52-904f-ccd0d6c4c9c0"
}
$

Flatten

• ネストされたgoods->priceとgoods_idがドット（.）形式に変換されています。

$ aws s3 cp s3://{バケット名}/output/flatten/run-1675387468148-part-r-00000 - | jq
{
  "order_id": "00001",
  "org_created_on": 1675414800,
  "org_updated_on": 1675384053,
  "goods.goods_id": "g-00001",
  "goods.price": "1000"
}
$

To timestamp

• UNIXタイムスタンプの値が変換されていることが確認できました。

$ aws s3 cp s3://{バケット名}/output/to_timestamp/run-1675387460522-part-r-00000 - | jq
{
  "order_id": "00001",
  "org_created_on": 1675414800,
  "org_updated_on": 1675384053,
  "goods": {
    "goods_id": "g-00001",
    "price": "1000"
  },
  "converted_updated_on": "2023-02-03 00:27:33.0"
}
$

Format

• converted_create_onを見ると、指定したフォーマット「yyyy-MM-dd'T'HHss.SSSZ」形式で出力されてることがわかります。

$ aws s3 cp s3://{バケット名}/output/format_timestamp/run-1675387494914-part-r-00000 - | jq
{
  "order_id": "00001",
  "org_created_on": 1675414800,
  "org_updated_on": 1675384053,
  "goods": {
    "goods_id": "g-00001",
    "price": "1000"
  },
  "timestamp_created_on": "2023-02-03 09:00:00.0",
  "converted_created_on": "2023-02-03T09:00:00.000+0000"
}
$

考察

連番を振りたいケースやユニークなIDを手軽に採番できるのは、とても便利だと感じました。

参考