数据预处理利器 Amazon Glue DataBrew

前言

在日常业务中，我们通常使用关系型数据库来存储数据，供应用程序使用。

数据库按表、行来存储数据的方式常常造成不同敏感程度的数据被混合在一起，但在做数据统计时，我们需要更细粒度地去区分不同数据的权限，避免造成敏感数据泄露。

以证券交易所为例，不同部门可能会有不同的数据访问需求。

• 财务部门，需要对本日的交易额和手续费进行汇总
• 合规部门，需要对特定地区的交易进行审计
• 数据部门，需要使用脱敏数据进行应用研发

这些需求很难通过在数据表上设定权限来实现。它们有的需要做字段级的访问控制，有的需要对特定内容进行限制，也有的需要对字段做一些遮罩处理。

面对这个需求，我们可以使用传统的 ETL 手段和工具来处理，也可以使用无服务器的 Amazon Glue DataBrew 来实现。今天，我们来介绍一下 Amazon Glue DataBrew 的基本用法和常见使用场景。

Amazon Glue DataBrew 简介

Amazon Glue DataBrew（下简称「DataBrew」） 是一个无服务器的、可视化的数据预处理和 ETL 工具。它提供了一个可视化编辑界面，让用户可以分析数据形态数据，并对数据进行处理操作，预览效果。它提供了 200 多项操作和函数，可以满足大部分基本数据处理需求。

核心概念

这次我们主要讲解数据处理，其中涉及的核心概念有下面几个。

• 数据集（Dataset），即原始数据加上与之对应的元数据
• 项目（Project），就是基于 Web 的可视化数据编辑器
• 处置方案（Recipe），即对数据进行一系列处理，比如去除空字段、转换数据类型等等

接下来，我们就来进行第一步：数据集的创建。

创建数据集

这次我们使用纽约市出租车行程开放数据（NYC-TLC）作为示范。

1、创建本地 S3 桶

因为有区域限制，所以 NYC-TLC 的数据无法在 DataBrew 中直接使用。要使用这个数据，我们必须先自己创建一个 S3 桶，再把其中一部分数据复制过来。

2、复制到本地 S3 桶

安装亚马逊云科技命令行工具后，我们可以使用如下命令将桶复制到我们自己的桶。因为 S3 桶名为全局唯一，所以请注意把下面的 my-nyc-tlc 换成你实际创建的桶名。

aws s3 cp s3://nyc-tlc/trip+data/fhvhv_tripdata_2020-12.csv s3://my-nyc-tlc

3、连接数据集

接下来，我们可以到 DataBrew 的「数据集」（Datasets）界面，选择「连接到新数据集」。

可以看到，DataBrew 支持的数据源还是很多的，除了常见的直连 S3，也可以通过 JDBC 连接数据库。如果数据本身已经在数据湖里，经由爬虫录入到了 Glue Data Catalog，我们也可以直接选择。

为了简便，在这次演示里，我们选择前面创建的 S3 桶和复制过来的 .csv 文件。数据格式选择 CSV。

数据形态分析

创建数据集后，我们可以快速地预览数据集中的数据。

如果想详细了解数据形态，比如值的分布、值的区间、极值、平均值、有效值等，我们可以点击右上角的「分析数据形态」（Run data profie）按钮，创建一个「数据形态分析任务」。

创建时我们可以选择是进行采样分析还是全量分析，并且配置一些参数，比如：是否分析重复的行，是否分析不同字段的相关性等。

点击「创建并运行」，数据形态分析任务就开始运行，稍后我们就能在「数据形态概览」标签下看到类似如下的结果。

图左边可以看到整体的数据量，有效值以及重复的行等等。右边是字段关联表，代表字段之间的联动性。比如 A 字段变化时，B 字段如果也变化，那么颜色就会越深。

拿第一行来说，我们可以看到横向的 VendorID 字段和纵向的 extra 字段是有强烈关联的，并且 VendorID 值越大，extra 值就越小。

假设 extra 代表的是小费，那么我们可以说 VendorID 越小的公司，乘客给的小费就越多。这可能是因为 VendorID 小的公司使用的是比较高级的出租车。此外，我们也可以看到乘客数量、上下车地点，甚至支付方式，都和 extra 有一些关联关系。

通过这个关联关系图，我们可以快速判断哪些字段是我们感兴趣想要深入分析的。鼠标指向任意一个格子，可以看到格子的原始值，方便细化判断。

当然，我们也很容易就会注意到蓝色格子组成的斜线，不言而喻，这是因为任何字段都和自身是完全联动的。

这个报告很清晰易懂，此处我只简单介绍下部分术语：

• Valid 代表字段值符合 DataBrew 的推断或者元数据中的定义
• Distinct 代表这个字段有多少个独特值（和其他值都不同）
• Unique 代表这个字段有多少个唯一值（只出现过 1 次）
• Median 是中位数，即按大小排序后，处在正中间的值
• Mean 是平均值
• Mode 是模数，即出现次数最多的值

此外，在直方图上，黑色代表是超出数据方差的极值。因为这部分值的数量较少，如果按比例展示可能就看不到或者看不清了，所以通常会把他的比例进行放大，用黑色区分，代表这部分的值和蓝色部分的值不成正常比例。

注：目前 DataBrew 仅支持字符串和数字类型的数据形态分析，如果某个字段的内容是类似 2021-10-10 这样的日期或时间，则这个字段不会纳入分析。要解决这个问题，我们可以对数据进行处理，给这个字段增加一个前缀（比如 DT-）或者修改这个字段的类型。

数据处理

数据形态看得差不多，接下来我们来处理数据。

DataBrew 为我们提供了一个数据处理的可视化编辑界面。这个界面在 DataBrew 中称作一个「项目」，所以我们首先要创建一个项目。直接在数据集界面右上角点击「为此数据集创建项目」（Create a project with this dataset）即可创建项目。

此处，必须输入的参数是项目名、数据集和 IAM 角色。角色可交由 DataBrew 自动创建，用于访问数据源，也就是 S3 桶。

创建完成后，我们会看到这样的一个载入界面。这个界面会持续数分钟，因为它需要分配底层计算实例，安装编辑器应用，配置权限等等。

数分钟后，我们就能看到完整的编辑器，上面一排图标就是我们能做的操作。这些操作分类如下：

• Filter 过滤，即去掉包含非法值、缺失值的行等
• Column 列级处理，即删除字段，修改字段类型等
• Format 值格式化，比如字符串大小写转换，数字的小数点精确度等
• Clean 值清理，比如删除首尾的引号、空格，添加前后缀等
• Extract 值提取，比如提取日期中的年月日等
• Missing 缺失值处理，比如值缺失时填入指定值，填入平均值等
• Invalid、Duplicates、Outliers 对应非法制、重复值和异常值，逻辑和缺失值类似
• Split、Merge 分别是拆分和合并，即按分隔符把一个字符串字段拆分成多个字段，或者反之
• Create 是根据一个字段的值生成另一个字段，通常用于生成标签字段
• Functions 是对某个字段使用函数生成另一个字段
• Condition 和 Create 类似，也是按条件生成新字段
• Nest-Unnest 指的是把多个字段合并成单个数组、对象字段，或者反之
• Pivot 指的是维度替换，比如原来有两个字段「车牌号」和「上车地点」，现在每个车牌号会变成一个字段名字，然后对应的上车地点则会变成一个列表值放在车牌号字段下
• Group、Join 和 Union，就类似 SQL 的 GROUP BY、JOIN 和 UNION
• Text 是对文本处理，比如令牌化
• Scale 是数字值规整化，比如正规化
• Mapping 也是根据字段值创建新的字段，和前面的 Condition 类似，可以视作是一个快捷方式
• Encode 是对数据进行常见的编码，比如机器学习常见的「单热编码」（One-hot encoding）
• Sensitve 是对敏感和隐私数据的处理，比如遮罩、加解密等

接下来，我们来看几个常见的数据处理场景。

注：请注意 DataBrew 的项目（编辑器）与很多 AWS 不同，不是按秒而是最少收取半小时的费用。

1、列级过滤 – 限制访问数据类型

假设现在某个财务或者税务部门的分析师，希望能分析统计下面这些信息。

• 不同出租车信息供应商旗下的汽车的交易额
• 不同日期的出租车交易额
• 主要的支付方式
• 月度出租车交易总额

这时候，我们就可以只显示相关的字段，而把其他的字段给过滤掉。要做字段过滤，我们可以使用 DataBrew 的 Column > Delete 操作。这个操作会删除指定的字段，只保留允许用户查看的字段。

2、行级过滤 – 只保留特定语义的数据

几乎所有数据工具都支持表级别的过滤，部分工具也支持字段过滤，但支持行级过滤的要少一些。行级过滤意味着我们可以对数据的语义做判断，并且只允许用户查看部分类型的数据。

比如下面这个需求。

• 只允许分析机场区域和 CDB 商圈之间的出租车记录
• 只允许分析夜间的出租车记录
• 只允许分析金额小于 100 元的记录

要做到行级过滤，我们可以使用 Filter > By condition 操作，这个操作支持对数字和字符串做简单对比，然后进行过滤。

如果某些字段不能直接满足对比要求，那么我们可以按条件把值先提取到另一个字段，再对新的字段做条件处理。比如「是否夜间」这个比较难直接判断，那么我们就可以先使用 Functions > Date functions > HOUR 函数把小时信息提取到新字段，然后再针对这个字段进行过滤。

3、其他处理

除了行级和列级过滤，DataBrew 也可以做很多别的数据处理，下面简单介绍几个场景。

敏感数据处理

为保护用户隐私，我们可以把敏感数据进行加密。

目前 DataBrew 支持两种加密方式，一种是「确定性加密」（Deterministic Encryption），另一种是「非确定性加密」（Probablistic Encryption）。

前者适合加密一些不需要参与运算，但是需要以确定值参与统计，并且最后还需要还原的字段。比如：出租车的车牌或者乘客上下车的地点。

后者则适合加密一些不需要参与运算，也不需要参与统计，但是在特定时刻，有特定权限的人还是需要将其还原的数据。比如：人名，身份证号等个人相关信息。

如果只需要统计，不需要还原，则可以选择对该字段直接进行哈希处理，或者将该字段的部分值进行遮罩（比如替换成「#」）。

函数调用

DataBrew 内置了非常多的函数，这些函数和我们常见的 Excel 函数类似，可以帮助我们快速地对数据进行处理。常用的函数有：

• 数学函数：取整、取绝对值等
• 文字函数：大小写转换、取部分文字、替换文字等
• 日期函数：取年月日、取日期差等
• 窗口函数：取某个时间窗口的总数、最大最小值等
• Web 函数：IP 与整数值互转、URL 的请求字符串提取等

条件处理

DataBrew 支持使用 IF 或者 CASE，根据字段值的不同，输出指定的值到一个新的列。

这个处理方式适合在没有现成的函数可用时，手动、精细地对某个字段进行处理或标记。比如：把用户的生日转换成属相或者星座。

此外，条件处理还支持日期格式，并且支持以其他字段的值作为输入，形成类似变成语言的 FOR 循环效果，这可以帮助用户实现复杂的数据处理逻辑。

创建数据处理任务

在项目中，我们可以对数据做处理并且预览效果，但此时的处理仅针对采样的数据，实际数据仍然没有处理。预览效果觉得处理无误后，我们就可以创建数据处理任务，从而对全量数据进行处理。

在项目的右上角，点击「创建任务」。接下来，我们需要输入：

• 目标 S3 桶
• 数据格式，比如：CSV、Parquet 等
• 执行周期，比如：一次性、定时重复执行等
• 执行角色，这个角色需要能访问源桶和目标桶

这些信息输入完成后，我们可以选择「创建并运行」，直接运行这个任务。

数据血缘

DataBrew 为每个项目提供了简易的数据血缘图（Linage）。在数据血缘图中，我们可以看到针对这个项目，我们的原始数据在哪个 S3 桶，这个桶对应了哪个数据集，对应这个数据集的项目是什么，这个项目对数据进行了哪些处理，然后输出到了哪里。

需要注意的是，目前 DataBrew 的血缘仅展示当前的 DataBrew 项目中数据的流向。

总结

随着大数据系统的建设和技术发展，数据湖中的数据越来越多，越来越实时。为了合规、合法，数据持有者必须高度重视访问控制。

数据湖工具通常也会提供权限控制，但粒度通常只能到表级别，如果要到行级别或者列级别，则需要额外在本地安装工具，而且有被绕过的风险。不同部门和访问权限的人使用不同的 S3 桶，并且使用只包含特定业务需要的数据文件，可以很大程度上降低数据泄露的风险。

对于探索期的项目，权限的管理可能比较粗放，但是在业务稳定开始长期运行时，我们应该考虑把这些流程固化下来，让用户和部门只能访问到自己能访问并且需要访问的数据。

作为一个无服务器的数据处理服务，DataBrew 非常适合数据科学家、业务专家等对业务熟悉但对底层技术研究不深的用户，以及数据合规探索期的团队。使用 Amazon Glue DataBrew 我们可以快速搭建起一套弹性的数据处理流水线，把更多的精力放在业务上。

对 Amazon Glue DataBrew 的简单介绍就到这里，希望对读者有所帮助。

本篇作者

张玳

亚马逊云科技解决方案架构师

十余年企业软件研发、设计和咨询经验，专注企业业务与亚马逊云科技服务的有机结合。译有《软件之道》《精益创业实战》《精益设计》《互联网思维的企业》，著有《体验设计白书》等书籍。