AWS Glue Crawler 将 json 文件分类为 UNKNOWN

Posted 2023-02-16

【中文标题】AWS Glue Crawler 将 json 文件分类为 UNKNOWN

【英文标题】：AWS Glue Crawler Classifies json file as UNKNOWN

【发布时间】：2018-04-06 19:08:05

【问题描述】：

我正在从事一项 ETL 作业，该作业会将 JSON 文件提取到 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。

我无法想出解决方法。我尝试将 JSON 转换为 BSON 或 GZIPing JSON 文件，但它仍然被归类为 UNKNOWN。

还有其他人遇到过这个问题吗？有一个更好的方法吗？

【问题讨论】：

谢谢，我被困了几个小时，删除缩进修复了它。

我也有同样的问题。你能给我更多关于这些缩进的细节吗？在哪里以及如何？

【参考方案1】：

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

s3://bucket/stg/year/month/_0.json

s3://bucket/stg/year/month/_1.json

我遇到了和你一样的问题，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，并创建适当的架构。 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。创建新的爬虫让它们工作

【讨论】：

不幸的是，这对我不起作用。我能够重现文件 1mb 被保留为UNKNOWN 的问题。您提供的 JSON 路径用于处理包含 JSON 数组的文件，这与我的情况无关，因为我们的每个文件都包含一个对象。

如果您更改分类器定义，之前使用分类器抓取的任何数据都不会重新分类。使用更新的分类器对新数据进行分类，这可能导致更新的模式。 Learn more

【参考方案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 分类器运行爬虫时，整个文件用于定义架构。因为没有指定 JSON 路径，爬虫把数据当作一个对象，也就是一个数组。

Dung 在他的回答中也指出了这一点。

【参考方案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。

【讨论】：

难道没有其他方法可以让胶水读取其他编码的文件吗？重新编码似乎太多了