要在不同AWS账号之间使用AWS Glue将数据写入S3，需要进行以下步骤：

1. 在目标S3桶所在的目标账号中创建一个Cross-account IAM角色，并将允许写入目标S3桶的权限分配给该角色。假设角色名为TargetS3AccessRole。

2. 在源账号中创建一个Glue作业，并在作业配置中使用TargetS3AccessRole角色进行身份验证。

3. 在Glue作业中使用以下代码示例来将数据写入目标S3桶：

import sys
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.job import Job

# 初始化Spark和Glue上下文
sc = SparkContext()
glueContext = GlueContext(sc)
spark = glueContext.spark_session
job = Job(glueContext)

# 设置作业参数
args = getResolvedOptions(sys.argv, ['JOB_NAME'])
job.init(args['JOB_NAME'], args)

# 从源数据源创建动态帧
datasource = glueContext.create_dynamic_frame.from_catalog(
    database = "your_database_name",
    table_name = "your_table_name",
    transformation_ctx = "datasource"
)

# 将动态帧转换为Spark数据框
dataframe = datasource.toDF()

# 进行数据转换和处理
# 这里可以添加你的数据处理逻辑

# 将Spark数据框转换回动态帧
dynamic_frame = DynamicFrame.fromDF(dataframe, glueContext, "dynamic_frame")

# 将动态帧写入目标S3桶
glueContext.write_dynamic_frame.from_options(
    frame = dynamic_frame,
    connection_type = "s3",
    connection_options = {
        "path": "s3://your_target_bucket/path/to/output/",
        "partitionKeys": ["partition_column"]
    },
    format = "parquet"
)

# 完成作业
job.commit()

在上面的代码示例中，需要将your_database_name和your_table_name替换为源数据的数据库名称和表名称，将s3://your_target_bucket/path/to/output/替换为目标S3桶中输出数据的路径。如果需要按照分区列进行分区，则需要将partition_column替换为实际的分区列名称。

4. 使用源账号中的AWS Glue控制台或AWS Glue API启动该作业，即可将数据从源账号写入目标S3桶。

请确保在源账号中配置了正确的IAM角色和权限，并在目标账号中正确设置Cross-account IAM角色，以允许跨账号访问和写入目标S3桶。