此错误通常是由于源数据中存在实际值无法转换为BigDecimal类型（例如非数字值）的情况导致的。为了解决此问题，我们可以在AWS Glue ETL作业中使用spark dataframe来过滤掉这些异常值。

以下是一个示例代码，展示如何在AWS Glue中使用spark dataframe过滤掉NaN值。

from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.dynamicframe import DynamicFrame
from pyspark.sql.functions import isnan
from pyspark.sql.functions import col

sc = SparkContext.getOrCreate()
glueContext = GlueContext(sc)
spark = glueContext.spark_session

# 从数据源读取数据
dynamic_frame_read = glueContext.create_dynamic_frame.from_catalog(database="[database_name]", table_name="[table_name]")

# 将dataframe转化成spark dataframe
data_frame = dynamic_frame_read.toDF()

# 过滤NaN值
data_frame_filtered = data_frame.filter(~isnan(col("[column_name]")))

# 将数据转化回动态框架
dynamic_frame_write = DynamicFrame.fromDF(data_frame_filtered, glueContext, "[table_name]")

# 将数据写入目标
glueContext.write_dynamic_frame.from_options(frame = dynamic_frame_write, connection_type = "s3", connection_options = {"path": "[destination_path]"}, format = "[destination_format]")

在上述代码中，我们从源数据中创建一个动态框架，并将其转换为spark dataframe。然后，我们使用isnan和col函数过滤掉NaN值，并将数据转换回动态框架，以供用于写入目标。

通过这种方式，我们可以解决AWS Glue BigDecimal类型错误值NaN的问题。