ingesting-into-data-lake
aws/agent-toolkit-for-aws
Importe des données dans le lac de données AWS à partir de fichiers S3, de téléchargements locaux, de bases de données JDBC (Oracle, SQL Server, PostgreSQL, MySQL, RDS, Aurora), d’Amazon Redshift, de Snowflake, de BigQuery, de DynamoDB, ou de tables existantes du catalogue Glue (migration). La cible par défaut est S3 Tables ; en l’absence d’adoption de S3 Tables, Iceberg standard sur un bucket polyvalent est pris en charge. Gère les chargements ponctuels, les pipelines récurrents ainsi que les migrations. Déclencheurs : importation de données, chargement de données, ingestion, synchronisation de base de données, migration de table, déplacement de données vers AWS, définition
...Développer toutÀ propos d’ingesting-into-data-lake
Il s’agit d’une compétence de flux de travail permettant d’intégrer des données dans une table consultable au sein d’un data lake AWS, provenant de sources très variées : téléversements de fichiers locaux, fichiers S3, bases de données JDBC (Oracle, SQL Server, PostgreSQL, MySQL, RDS, Aurora), Amazon Redshift, Snowflake, BigQuery, DynamoDB, ainsi que des tables existantes du catalogue Glue destinées à la migration. Elle gère les chargements ponctuels, les pipelines récurrents et les migrations, en utilisant par défaut les S3 Tables comme cible, tout en prenant en charge le format Iceberg standard dans des buckets polyvalents où les S3 Tables ne sont pas encore utilisés – les directives indiquent clairement de ne pas forcer les clients qui ne l’ont pas adopté à le faire. Les commandes sont exécutées via les outils du serveur AWS MCP lors de la connexion (pour la validation, l’exécution en environnement isolé et le journalisation des audits), avec un recours en dernier ressort à l’AWS CLI ; chaque étape est expliquée avant d’être exécutée. Le flux de travail vérifie les dépendances et les identifiants à l’aide de la commande aws sts get-caller-identity, classe la source, confirme l’existence d’une connexion Glue pour les sources JDBC, Snowflake et BigQuery (en déléguant l’installation des connexions et la résolution des problèmes à une compétence distincte dédiée aux connexions aux sources de données), précise la base de données, la table et le format cibles, exécute une procédure de référence spécifique à la source, puis effectue trois vérifications obligatoires : correspondance du nombre de lignes entre la source et la cible, vérification des valeurs nulles dans les colonnes critiques, et contrôle aléatoire de trois à cinq lignes d’échantillon. Les pipelines récurrents sont planifiés à l’aide de Glue Triggers selon un calendrier cron, tandis que MWAA est utilisé pour les branches multi-étapes. Cette compétence décrit de nombreux points importants à connaître : les S3 Tables exigent Glue 5.1 ou une version ultérieure ainsi que le format de data lake Iceberg ; la configuration du catalogue doit être indiquée dans les arguments --conf du job ; le paramètre de entrepôt est obligatoire ; les noms de table et de colonne doivent être en minuscules ; les cibles Iceberg standard nécessitent une clause LOCATION, contrairement aux S3 Tables, et DynamoDB ne requiert pas de connexion Glue. Les sources SaaS et en streaming telles que Salesforce, ServiceNow, SAP, MongoDB et Kafka ne sont pas prises en charge, tout comme l’exécution de requêtes et les audits de catalogue, qui relèvent d’autres compétences.
FAQ
Quel est le format cible par défaut ?
Les S3 Tables constituent la cible par défaut et recommandée. Lorsqu’un compte n’a pas adopté les S3 Tables, cette compétence recommande d’utiliser le format Iceberg standard sur le bucket polyvalent existant.
Quelles sources peut-elle intégrer ?
Fichiers locaux, fichiers S3, bases de données JDBC (Oracle, SQL Server, PostgreSQL, MySQL, RDS, Aurora), Redshift, Snowflake, BigQuery, DynamoDB, ainsi que des tables existantes du catalogue Glue destinées à la migration.
Quelles sources nécessitent une connexion Glue ?
Les sources JDBC, Snowflake et BigQuery exigent une connexion Glue, vérifiée à l’aide de la commande aws glue get-connection. Les fichiers locaux, les fichiers S3, DynamoDB et la migration de catalogue n’en ont pas besoin.
Comment la validation de l’ingestion s’effectue-t-elle ?
Toutes les trois vérifications doivent être effectuées sans exception : correspondance du nombre de lignes entre la source et la cible, vérification réussie des valeurs nulles dans les colonnes critiques, et contrôle aléatoire de 3 à 5 lignes d’échantillon.
Quelles sources ne sont pas prises en charge ?
Les plateformes SaaS et en streaming telles que Salesforce, ServiceNow, SAP, MongoDB et Kafka ne sont pas supportées, tout comme l’installation des connexions Glue, la création de tables vides, l’exécution de requêtes et les audits de catalogue, tâches gérées par d’autres compétences.
Tous les fichiers
26 fichiers references/error-handling.md 12,3 KB Afficher references/iceberg-catalog-config-and-usage.md 7,9 KB Afficher references/jdbc-schema-discovery.md 12,7 KB Afficher references/schema-evolution.md 9,3 KB Afficher View SKILL.md 10,8 KB Afficher references/bigquery-ingest.md 3,7 KB Afficher references/ctas-patterns.md 3,0 KB Afficher references/glue-etl-migration.md 4,5 KB Afficher references/incremental-loading.md 13,1 KB Afficher references/data-quality-validation.md 12,1 KB Afficher references/glue-job-config.md 9,4 KB Afficher references/jdbc-performance.md 10,3 KB Afficher references/migration-validation.md 2,7 KB Afficher references/type-transformations.md 7,8 KB Afficher references/athena-loading.md 2,8 KB Afficher references/dynamodb-ingest.md 7,2 KB Afficher references/glue-job-scripts.md 9,6 KB Afficher references/s3-files.md 5,7 KB Afficher references/upload-options.md 1,0 KB Afficher references/catalog-migration.md 6,9 KB Afficher references/format-specific-loading.md 12,8 KB Afficher references/jdbc-ingest.md 5,7 KB Afficher references/local-upload.md 4,5 KB Afficher references/snowflake-ingest.md 3,6 KB Afficher references/migration-troubleshooting.md 2,6 KB Afficher references/testing-and-scheduling.md 13,6 KB Afficher
Move data from a source into a queryable table in the data lake. This skill assumes the source connection (if one is needed) already exists. For Glue connection setup or troubleshooting, delegate to connecting-to-data-source.
Philosophy
Default to S3 Tables unless the environment says otherwise. S3 Tables is the recommended target for new data lake work. If the user's catalog inventory shows they haven't adopted S3 Tables, recommend standard Iceberg on their existing general-purpose bucket instead of forcing them to change posture.
Common Tasks
You MUST execute commands using AWS MCP server tools when connected -- they provide validation, sandboxed execution, and audit logging. Fall back to AWS CLI only if MCP is unavailable. You MUST explain each step before executing.
Workflow
1. Verify Dependencies and Context
- You MUST check whether AWS MCP tools or AWS CLI are available and inform the user if missing
- You MUST confirm target AWS region and verify credentials with
aws sts get-caller-identity - For SageMaker Unified Studio project roles, note that target tables and connections may be scoped to the project. See the caller ARN detection pattern in
querying-data-lake.
2. Classify the Source
| User says... | Source type | Reference |
|---|---|---|
| "upload my file", "local CSV", "move to S3" | Local file | local-upload.md |
| "load from S3", "import CSV/JSON/Parquet from s3://" | S3 files | s3-files.md |
| "import from Oracle/Postgres/MySQL/SQL Server/Redshift/RDS/Aurora" | JDBC | jdbc-ingest.md |
| "pull from Snowflake", "Snowflake table to S3" | Snowflake | snowflake-ingest.md |
| "import from BigQuery", "GCP analytics to S3" | BigQuery | bigquery-ingest.md |
| "export DynamoDB", "DynamoDB to data lake" | DynamoDB | dynamodb-ingest.md |
| "migrate Glue table", "convert Hive to Iceberg" | Catalog migration | catalog-migration.md |
If the user names Salesforce, ServiceNow, SAP, MongoDB, Kafka, or another SaaS/streaming source, decline -- these are not supported in this release.
If the source table is referenced by a fuzzy or business name ("migrate our orders table", "pull from the sales warehouse"), delegate to finding-data-lake-assets to resolve before proceeding.
3. Confirm Connection Exists (if applicable)
For JDBC, Snowflake, and BigQuery sources, a Glue connection is required. Check:
aws glue get-connection --name <CONNECTION_NAME> --region <REGION>
If the connection does not exist, stop and delegate to connecting-to-data-source to create and test it. Do not proceed with ingest until the connection is verified.
Local files, S3 files, DynamoDB, and catalog migration do not need a Glue connection.
4. Clarify the Target
You MUST ask the user (or suggest based on catalog inventory) before creating or writing to any table:
- Database/namespace: Does a specific target database exist? Or should one be created?
- Table: Existing table (append/merge) or new table (delegate to
creating-data-lake-table)? - Format: S3 Tables (default), standard Iceberg, or raw Parquet?
Inventory-aware defaults:
If you have already run exploring-data-catalog or can quickly check, use what exists:
- Account has an
s3tablescatalogfederated catalog and active table buckets: recommend S3 Tables - Account has general-purpose buckets with Iceberg tables and no S3 Tables usage: recommend standard Iceberg on their existing bucket
- Account uses Parquet/ORC on S3 without Iceberg metadata: ask whether to adopt Iceberg now (recommend yes) or continue with raw files
Do not force S3 Tables on customers who haven't adopted it. See iceberg-catalog-config-and-usage.md.
Delegations from this step:
- Target table doesn't exist ->
creating-data-lake-table - Target database named by fuzzy term ->
finding-data-lake-assets - User doesn't know what exists ->
exploring-data-catalog
5. Execute Source Workflow
Read the source-specific reference and follow its phases. Each is self-contained with job templates, gotchas, and troubleshooting:
- Local / S3 / JDBC / Snowflake / BigQuery / DynamoDB / catalog migration -- one reference per source
Common Glue 5.1 or higher job configuration and PySpark templates are shared in glue-job-config.md and glue-job-scripts.md.
6. Validate
Run all three, do not skip:
- Row count matches expected (source vs target)
- Null check on critical columns
- Spot-check 3-5 sample rows
See data-quality-validation.md.
7. Schedule (if recurring)
For recurring pipelines, create a Glue Trigger with a cron schedule. See testing-and-scheduling.md. Simple single-step pipelines use Glue Triggers; multi-step with branching uses MWAA.
Argument Routing
- S3 path only: Infer one-time load, start Step 2 with S3 files
- Connection name: Start Step 3 with the named connection
- Table name: Start Step 4, ask whether this is source or target
--targetflag: Pre-fill the target format in Step 4- No args: Walk through interactively
Gotchas
- S3 Tables requires Glue 5.1 or higher and
--datalake-formats icebergjob argument - All
spark.sql.catalog.*config MUST go in--confjob arguments, never inspark.conf.set(). Glue 5.x throwsAnalysisException: Cannot modify the value of a static configotherwise. See iceberg-catalog-config-and-usage.md for correct catalog configs. - The
warehouseparameter is required in S3 Tables catalog config. Without it Spark fails with "Cannot derive default warehouse location". - Table and column names in S3 Tables MUST be all lowercase
overwritePartitions()only replaces partitions present in the DataFrame -- for full refresh with deletes, usecreateOrReplace()- Standard Iceberg targets MUST include a LOCATION clause; S3 Tables MUST NOT
- DynamoDB does not need a Glue connection -- do not attempt to create one
- Connection failures during ingest delegate back to
connecting-to-data-source; do not debug network/credentials in this skill - For target tables in SageMaker Unified Studio projects, ensure the project role has write access to the target namespace before the Glue job runs
Troubleshooting
| Error | Likely cause | Action |
|---|---|---|
| Access Denied on S3 | Missing IAM permissions | Check Glue role has s3:GetObject, s3:PutObject |
| Access Denied on S3 Tables | Missing s3tables:* permissions | Add S3 Tables inline policy to Glue role |
| CTAS timeout | Dataset too large for Athena | Switch to Glue ETL or batch with WHERE filters |
| JDBC connection timeout/auth failure | Connection-level issue | Delegate to connecting-to-data-source |
| Throughput exceeded (DynamoDB) | Read percent too high | Lower read.percent or use native export |
See error-handling.md for the full catalog.
References
Source-specific
- local-upload.md -- Local files
- s3-files.md -- S3 files (CSV, JSON, Parquet, Avro, ORC)
- jdbc-ingest.md -- Oracle, SQL Server, PostgreSQL, MySQL, RDS, Aurora, Redshift
- snowflake-ingest.md -- Snowflake
- bigquery-ingest.md -- BigQuery
- dynamodb-ingest.md -- DynamoDB (export and Glue direct read)
- catalog-migration.md -- Existing Glue catalog tables (Hive, self-managed Iceberg)
Cross-cutting
- iceberg-catalog-config-and-usage.md -- S3 Tables, standard Iceberg, raw files: catalog config, engine access patterns
- glue-job-config.md -- Job sizing, monitoring, retry
- glue-job-scripts.md -- PySpark templates (append, upsert, custom SQL, full refresh)
- incremental-loading.md -- Watermark strategies
- testing-and-scheduling.md -- Glue Triggers, MWAA
- data-quality-validation.md -- Row counts, null checks, Glue Data Quality
- schema-evolution.md -- ALTER TABLE ADD COLUMNS, nested JSON
- type-transformations.md -- Type conflict resolution
- format-specific-loading.md -- CSV/JSON/Parquet/Avro/ORC specifics
- athena-loading.md -- Athena INSERT INTO as simple-load fallback
- error-handling.md -- Ingest errors (connection errors delegate to connecting-to-data-source)
- upload-options.md -- aws s3 cp vs sync, multipart
Migration-specific
- ctas-patterns.md -- Athena CTAS syntax and partition transforms
- glue-etl-migration.md -- Large-table migration via Glue 5.1 or higher PySpark
- migration-validation.md -- Full validation checklist
- migration-troubleshooting.md -- CTAS failures, visibility, partitions
JDBC-specific
- jdbc-schema-discovery.md -- Crawler, direct inspection, custom SQL
- jdbc-performance.md -- Parallel reads, partitioning
Tous les fichiers
26 fichiersInstaller ingesting-into-data-lake
Téléchargez et extrayez les fichiers de compétences dans votre répertoire .claude/skills/.
Télécharger le ZIPClonez le dépôt et copiez les fichiers de compétence dans votre projet.
git clone https://github.com/aws/agent-toolkit-for-aws/blob/main/skills/specialized-skills/analytics-skills/ingesting-into-data-lake/SKILL.md # Copy SKILL.md to your .claude/skills/ directory
Copier





Maison
