Athena
- Athena查询隔离=Work Group, 可以control per-query data usage limit.
- Athena查询速度优化:1. 压缩 2. 列式存储 3. S3和Athena同一个Region
- Athena查询成本优化:1.Partition by,2. 列式存储,3.合并小文件
- Athena partition快速生成or恢复=MSCK REPAIR TABLE,Athena使用hive style partition。
- Athena查询结果S3加密:S3-SSE, CMK-KMS and CSE-KMS
- Athena DML timeout after 30minutes= Raise ticket in service quotas
- Athena Payload超出上限错误=结果上传S3+Presigned URL
- lzo压缩格式高速解压比gzip读取速度快,提高Athena查询性能。
Glue
- AWS Glue Crawler Classification = Unknown: All the classifiers certainty=0.0
- Glue读取大量小文件用dynamic frame file grouping功能。
- Glue读取大量小文件报outofmemory错误= 'groupFiles': 'inPartition' feature.
- Glue Crawler和Athena都可以跨Region使用。
- Glue Crawler/Copy Command triggered by S3:CreateObject event = most current data
- Glue跳过特定的S3存储层:excludeStorageClasses
- Glue scale = glue job metrics + maximum capcity job parameter
- Glue job rerun导致重复数据清理用Postactions in DynamicFrameWriter class
- Glue支持PySpark Scala dialect,不支持Hive script
- Glue Job bookmark功能避免重复处理数据,只处理增量数据。
- Glue catalog update manually created table = choose table when define crawler.
- Glue跑完job自动update catalog=enable updatecatalog
- Glue Findmatch ML=match data without PK
- Glue streaming ETL 连 KDS, MSK, 不可以连KDF。