首先可以明确告诉你：你现在的调试流程绝对不是标准最优解——Glue本身提供了快速调试的工具，而且针对几百MB的小数据集，完全有更高效的替代方案，不用每次等15分钟往返验证。

一、先解决Glue脚本调试慢的问题：用交互式会话替代全量作业提交 #

你之所以每次要等10分钟启动作业，是因为Glue常规作业需要启动分布式集群（即使你只处理几百MB数据）。但AWS提供了Glue Interactive Sessions，完美解决这个痛点：

• 你可以在Glue Studio里直接开启交互式会话，或者用本地IDE（比如VS Code）通过AWS CLI连接会话；
• 脚本可以逐段运行，即时查看输出结果（比如清洗后的DataFrame内容），不用提交完整作业；
• 会话启动后保持活跃，调试过程中不用重复等待集群初始化，单次调试耗时从15分钟降到几秒到几分钟。

操作起来也很简单：在Glue Studio的"作业"页面选择"创建作业"，然后选择"交互式会话"类型，写代码的时候可以直接点击"运行单元格"或者"运行全部"，右下角会实时显示执行结果和数据预览。

二、针对你的小数据集场景，还有这些更高效的替代方案 #

因为你的数据集只有几百MB，完全不需要动用Glue的分布式计算能力，以下几个方案更适合：

1. 直接用Athena完成轻量清洗+可视化对接 #

Athena本身支持通过SQL直接清洗数据，甚至可以跳过Glue作业：

• 第一步：用Glue Crawler爬取RDS Postgres（或者直接在Athena里创建外部表连接RDS，不过Crawler更简单）；
• 第二步：在Athena里写SQL处理NULL值，比如用CREATE TABLE AS SELECT（CTAS）把清洗后的数据存到S3，或者直接创建一个清洗后的视图；
• 第三步：直接把Athena的表/视图连接到Quicksight做可视化。
  这种方式不用写Python脚本，SQL调试起来非常快，而且全程在AWS控制台操作，没有额外工具成本。

2. 本地Python脚本快速验证+上传 #

因为数据量小，完全可以本地调试好再上传到S3：

• 用psycopg2库连接RDS Postgres，拉取需要的数据；
• 用Pandas做数据清洗（比如dropna()移除NULL值，fillna()填充等），本地就能即时查看清洗结果；
• 用boto3库把清洗后的CSV/Parquet文件上传到S3；
• 最后用Glue Crawler爬取S3的数据，对接Athena和Quicksight。
  这种方式调试速度最快，本地运行几秒钟就能验证代码正确性，适合小数据集的快速迭代。

3. Glue Studio可视化编辑器+数据预览 #

如果你还是想用Glue，也可以用Glue Studio的可视化拖拽编辑器：

• 拖拽"数据源"（连接RDS）、"转换"（比如"移除空值"组件）、"数据目标"（S3）组件；
• 每个组件都可以点击"预览数据"查看处理后的结果，不用提交完整作业；
• 确认逻辑正确后再生成脚本提交作业，大大减少调试次数。

总结 #

针对几百MB的小数据集，优先推荐Glue Interactive Sessions（如果你坚持用Python脚本）或者Athena SQL清洗（不用写代码），这两个方案都能把调试时间从15分钟压缩到几分钟甚至几秒。你之前的全量作业提交方式更适合GB级以上的大数据集，小数据用这个确实有点杀鸡用牛刀了。

内容的提问来源于stack exchange，提问作者perelin