Kinesis Firehose 将 JSON 对象放入 S3 中,没有分隔符逗号
Posted
技术标签:
【中文标题】Kinesis Firehose 将 JSON 对象放入 S3 中,没有分隔符逗号【英文标题】:Kinesis Firehose putting JSON objects in S3 without seperator comma 【发布时间】:2021-11-22 07:39:30 【问题描述】:在发送数据之前,我使用 JSON.stringify 到数据,它看起来像这样
"data": ["key1": value1, "key2": value2, "key1": value1, "key2": value2]
但是一旦它通过 AWS API Gateway 并且 Kinesis Firehose 将它放到 S3 中,它看起来像这样
"key1": value1,
"key2": value2
"key1": value1,
"key2": value2
JSON 对象之间的分隔符没有了,但我需要它来正确处理数据。
API 网关中的模板:
#set($root = $input.path('$'))
"DeliveryStreamName": "some-delivery-stream",
"Records": [
#foreach($r in $root.data)
#set($data = "
""key1"": ""$r.value1"",
""key2"": ""$r.value2""
")
"Data": "$util.base64Encode($data)"
#if($foreach.hasNext),#end
#end
]
【问题讨论】:
【参考方案1】:我最近遇到了同样的问题,我能找到的唯一答案基本上只是在您将每条 JSON 消息发布到 Kinesis 流时添加换行符(“\n”),或者使用某种原始 JSON 解码器方法,该方法可以处理连接的 JSON 对象而无需分隔符。
我发布了一个 Python 代码解决方案,可以在相关的 Stack Overflow 帖子中找到该解决方案: https://***.com/a/49417680/1546785
【讨论】:
【参考方案2】:一旦 AWS Firehose 将 JSON 对象转储到 s3,就完全可以从文件中读取单个 JSON 对象。
使用 Python,您可以使用 json
包中的 raw_decode
函数
from json import JSONDecoder, JSONDecodeError
import re
import json
import boto3
NOT_WHITESPACE = re.compile(r'[^\s]')
def decode_stacked(document, pos=0, decoder=JSONDecoder()):
while True:
match = NOT_WHITESPACE.search(document, pos)
if not match:
return
pos = match.start()
try:
obj, pos = decoder.raw_decode(document, pos)
except JSONDecodeError:
# do something sensible if there's some error
raise
yield obj
s3 = boto3.resource('s3')
obj = s3.Object("my-bukcet", "my-firehose-json-key.json")
file_content = obj.get()['Body'].read()
for obj in decode_stacked(file_content):
print(json.dumps(obj))
# "key1":value1,"key2":value2
# "key1":value1,"key2":value2
来源:https://***.com/a/50384432/1771155
使用 Glue / Pyspark 你可以使用
import json
rdd = sc.textFile("s3a://my-bucket/my-firehose-file-containing-json-objects")
df = rdd.map(lambda x: json.loads(x)).toDF()
df.show()
来源:https://***.com/a/62984450/1771155
【讨论】:
【参考方案3】:您可以考虑的一种方法是通过添加 Lambda 函数作为其数据处理器来为 Kinesis Firehose 传输流配置数据处理,该函数将在最终将数据传输到 S3 存储桶之前执行。
DeliveryStream:
...
Type: AWS::KinesisFirehose::DeliveryStream
Properties:
DeliveryStreamType: DirectPut
ExtendedS3DestinationConfiguration:
...
BucketARN: !GetAtt MyDeliveryBucket.Arn
ProcessingConfiguration:
Enabled: true
Processors:
- Parameters:
- ParameterName: LambdaArn
ParameterValue: !GetAtt MyTransformDataLambdaFunction.Arn
Type: Lambda
...
并且在 Lambda 函数中,确保将 '\n'
附加到记录的 JSON 字符串中,请参见下面 Node.js 中的 Lambda 函数 myTransformData.ts
:
import
FirehoseTransformationEvent,
FirehoseTransformationEventRecord,
FirehoseTransformationHandler,
FirehoseTransformationResult,
FirehoseTransformationResultRecord,
from 'aws-lambda';
const createDroppedRecord = (
recordId: string
): FirehoseTransformationResultRecord =>
return
recordId,
result: 'Dropped',
data: Buffer.from('').toString('base64'),
;
;
const processData = (
payloadStr: string,
record: FirehoseTransformationEventRecord
) =>
let jsonRecord;
// ...
// Process the orginal payload,
// And create the record in JSON
return jsonRecord;
;
const transformRecord = (
record: FirehoseTransformationEventRecord
): FirehoseTransformationResultRecord =>
try
const payloadStr = Buffer.from(record.data, 'base64').toString();
const jsonRecord = processData(payloadStr, record);
if (!jsonRecord)
console.error('Error creating json record');
return createDroppedRecord(record.recordId);
return
recordId: record.recordId,
result: 'Ok',
// Ensure that '\n' is appended to the record's JSON string.
data: Buffer.from(JSON.stringify(jsonRecord) + '\n').toString('base64'),
;
catch (error)
console.error('Error processing record $record.recordId: ', error);
return createDroppedRecord(record.recordId);
;
const transformRecords = (
event: FirehoseTransformationEvent
): FirehoseTransformationResult =>
let records: FirehoseTransformationResultRecord[] = [];
for (const record of event.records)
const transformed = transformRecord(record);
records.push(transformed);
return records ;
;
export const handler: FirehoseTransformationHandler = async (
event,
_context
) =>
const transformed = transformRecords(event);
return transformed;
;
换行分隔符到位后,Athena 等 AWS 服务将能够正常处理 S3 存储桶中的 JSON 记录数据,而不是 just seeing the first JSON record only。
【讨论】:
以上是关于Kinesis Firehose 将 JSON 对象放入 S3 中,没有分隔符逗号的主要内容,如果未能解决你的问题,请参考以下文章
将镶木地板从 AWS Kinesis firehose 写入 AWS S3
按事件时间对 Kinesis firehose S3 记录进行分区
使用 AWS kinesis-firehose 将数据写入文件
AWS Typescript CDK,尝试将 kinesis 流作为来源添加到 firehose