如何处理 AWS Glue 中映射函数中的错误？

我正在使用mapDynamicFrame 的方法（或者等效地，Map.apply方法）。我注意到我传递给这些函数的函数中的任何错误都会被默默地忽略，并导致返回的 DynamicFrame 为空。

假设我有一个这样的作业脚本：

import sys
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.transforms import *

glueContext = GlueContext(SparkContext.getOrCreate())
dyF = glueContext.create_dynamic_frame.from_catalog(database="radixdemo", table_name="census_csv")

def my_mapper(rec):
    import logging
    logging.error("[RADIX] An error-log from in the mapper!")
    print "[RADIX] from in the mapper!"
    raise Exception("[RADIX] A bug!")
dyF = dyF.map(my_mapper, 'my_mapper')

print "Count:  ", dyF.count()
dyF.printSchema()
dyF.toDF().show()

如果我在 Glue Dev Endpoint 中运行此脚本gluepython，我得到这样的输出：

[glue@ip-172-31-83-196 ~]$ gluepython gluejob.py
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/usr/share/aws/glue/etl/jars/glue-assembly.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/lib/spark/jars/slf4j-log4j12-1.7.16.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
18/05/23 20:56:46 WARN Client: Neither spark.yarn.jars nor spark.yarn.archive is set, falling back to uploading libraries under SPARK_HOME.
ERROR StatusLogger No log4j2 configuration file found. Using default configuration: logging only errors to the console.
Count:   0
root

++
||
++
++

关于此输出的注释：

• 我没有看到结果print声明或logging.error陈述。
• 没有迹象表明my_mapper提出了一个例外。
• The printSchema调用显示生成的 DynamicFrame 上没有架构元数据
• the show方法也不会产生任何输出，表明所有行都消失了。

同样，当我将此脚本保存为 AWS Glue 控制台中的作业并运行它时，该作业不会指示发生任何错误 - 作业状态为“成功”。值得注意的是，我do得到print声明和logging.error调用输出到作业日志，但仅限于常规“日志”，而不是“错误日志”。

我想要的是能够表明我的工作失败了，并且能够轻松地找到这些错误日志。最重要的是仅仅表明它已经失败了。

有没有一种方法可以在映射函数中记录错误，以便 Glue 将其作为“错误日志”（并将其放入单独的 AWS CloudWatch Logs 路径中）？如果发生这种情况，它会自动将整个作业标记为失败吗？或者是否有其他方法可以从映射函数中显式地使作业失败？

（我的计划，如果有办法记录错误和/或将作业标记为失败，是创建一个装饰器或其他实用函数，它将自动捕获映射函数中的异常，并确保它们被记录并标记为失败）。

我发现使 Glue 作业显示为“失败”的唯一方法是从主脚本中引发异常（not在映射器或过滤器函数内部，因为它们似乎被旋转到数据处理单元）。

幸运的是，有is一种检测映射或过滤函数内部是否发生异常的方法：使用DynamicFrame.stageErrorsCount()方法。它将返回一个数字，指示运行最近的转换时引发了多少个异常。

所以解决所有问题的正确方法是：

• 确保您的地图或变换功能明确地记录其中发生的任何异常。最好通过使用装饰器函数或通过其他一些可重用机制来完成，而不是依赖于 puttry/except您编写的每个函数中的语句。
• 在您想要捕获错误的每个转换之后，调用stageErrorsCount()方法并检查它是否大于 0。如果您想中止作业，只需引发异常即可。

例如：

import logging

def log_errors(inner):
    def wrapper(*args, **kwargs):
        try:
            return inner(*args, **kwargs)
        except Exception as e:
            logging.exception('Error in function: {}'.format(inner))
            raise
    return wrapper

@log_errors
def foo(record):
    1 / 0

然后，在你的工作中，你会做类似的事情：

df = df.map(foo, "foo")
if df.stageErrorsCount() > 0:
    raise Exception("Error in job! See the log!")

请注意，即使调用logging.exception从映射器函数内部仍然不会将日志写入error由于某种原因登录 AWS CloudWatch Logs。它被写入常规成功日志中。但是，通过这种技术，您至少会看到作业失败并能够在日志中找到信息。另一个警告：开发端点似乎没有显示来自映射器或过滤器功能的任何日志。