Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Étapes suivantes
## Comprendre les AWS Glue transformations
Pour un traitement des données plus efficace, AWS Glue inclut des [fonctions de transformation](https://docs.aws.amazon.com/glue/latest/dg/aws-glue-programming-python-transforms.html) intégrées. Les fonctions passent d'une transformation à l'autre dans une structure de données appelée a DynamicFrame, qui est une extension d'un SQL [Apache Spark](https://spark.apache.org/) DataFrame. A DynamicFrame est similaire à a DataFrame, sauf que chaque enregistrement est autodescriptif, de sorte qu'aucun schéma n'est requis au départ.
Pour vous familiariser avec plusieurs fonctions AWS Glue PySpark intégrées, consultez le billet de blog [Construire un pipeline AWS Glue ETL localement sans Compte AWS](https://aws.amazon.com/blogs/big-data/building-an-aws-glue-etl-pipeline-locally-without-an-aws-account/).
## Création de votre première tâche ETL
Si vous n'avez jamais écrit de tâche ETL auparavant, vous pouvez commencer par utiliser les [trois types de tâches AWS Glue ETL pour convertir les données en modèle Apache Parquet](https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/three-aws-glue-etl-job-types-for-converting-data-to-apache-parquet.html).
Si vous avez de l'expérience dans la rédaction de tâches ETL, vous pouvez utiliser les [AWS Glue GitHub exemples](https://github.com/aws-samples/aws-glue-samples/tree/master/examples) pour les explorer plus en profondeur.
## Tarification
Pour en savoir plus sur la tarification, consultez [Tarification AWS Glue](https://aws.amazon.com/glue/pricing/). Vous pouvez également utiliser le [Calculateur de tarification AWS](https://calculator.aws/#/createCalculator)pour estimer le coût mensuel de l'utilisation de différents AWS Glue composants.