AWS Sagemaker处理作业可以通过AWS SDK或AWS CLI自动创建。以下是使用AWS SDK for Python（boto3）的示例代码：

import boto3

# 创建Sagemaker客户端
sagemaker_client = boto3.client('sagemaker')

# 定义处理作业的输入和输出参数
processing_input = {
    'InputName': 'input',
    'S3Input': {
        'S3Uri': 's3://your-input-data-bucket/input-data/',
        'LocalPath': '/opt/ml/processing/input',
        'S3DataType': 'S3Prefix',
        'S3InputMode': 'File',
        'S3DataDistributionType': 'FullyReplicated'
    }
}

processing_output = {
    'OutputName': 'output',
    'S3Output': {
        'S3Uri': 's3://your-output-data-bucket/output-data/',
        'LocalPath': '/opt/ml/processing/output',
        'S3UploadMode': 'EndOfJob'
    }
}

# 创建处理作业
response = sagemaker_client.create_processing_job(
    ProcessingInputs=[processing_input],
    ProcessingOutputConfig=processing_output,
    ProcessingJobName='your-processing-job-name',
    ProcessingResources={
        'ClusterConfig': {
            'InstanceCount': 1,
            'InstanceType': 'ml.m5.xlarge',
            'VolumeSizeInGB': 30
        }
    },
    StoppingCondition={
        'MaxRuntimeInSeconds': 3600
    },
    AppSpecification={
        'ImageUri': 'your-container-image-uri',
        'ContainerArguments': ['arg1', 'arg2', 'arg3'],
        'ContainerEntrypoint': ['python', 'your_script.py']
    },
    RoleArn='arn:aws:iam::your-account-id:role/your-role'
)

print(response)

在上述代码中，我们使用boto3.client('sagemaker')创建了Sagemaker客户端，并使用create_processing_job()方法创建了一个处理作业。在ProcessingInputs参数中，我们指定了输入数据的相关配置，包括输入数据的S3路径、本地路径和数据分发类型。在ProcessingOutputConfig参数中，我们指定了输出数据的相关配置，包括输出数据的S3路径和本地路径。其他参数如ProcessingJobName、ProcessingResources、StoppingCondition、AppSpecification和RoleArn根据实际情况进行配置。

请注意，上述代码仅提供了处理作业的创建示例，实际使用时还需要根据具体需求进行配置和调整。