大咖直播-鸿蒙原生开发与智能提效实战!>>> 了解详情
写点什么

Amazon Redshift Spectrum 十二大最佳实践(一)

  • 2020-01-13
  • 本文字数:2685 字

    阅读完需:约 9 分钟

Amazon Redshift Spectrum 十二大最佳实践(一)

Amazon Redshift Spectrum 使您能够对存储在 Amazon S3 中的数据运行 Amazon Redshift SQL 查询。利用 Redshift Spectrum,您可以将 Amazon Redshift 的强大分析能力扩展到存储于 Amazon Redshift 本地的数据之外。Redshift Spectrum 提供的多种功能能够扩大您可能实施的战略。例如,它能够扩展 Amazon Redshift 可访问的数据大小,并能让您将计算与存储分离,从而提升混合工作负载用例的处理速度。Redshift Spectrum 还能够提高数据的互操作性,因为您可以从 Amazon Redshift 之外的多个计算平台访问同一 S3 对象。这些平台包括 Amazon AthenaAmazon EMR with Apache Spark、Amazon EMR with Apache Hive、Presto 及可访问 S3 的任何其他计算平台。因此,您无需通过繁琐、耗时的提取、转换、加载 (ETL) 流程,即可查询您的 Amazon S3 数据湖中的海量数据。您还可以连接外部 S3 表与集群本地磁盘上的表。Redshift Spectrum 对数以千计的节点进行复杂的查询优化和扩展处理,从而交付快速的性能。在本博文中,我们收集了 Redshift Spectrum 的 12 大重要最佳实践,并将这些实践分成不同的功能组。这些指南基于我们与 Amazon Redshift 客户的许多交互以及大量直接项目工作。在您开始使用之前,需要遵循以下步骤进行设置。有关开始使用 Redshift Spectrum 的先决条件及步骤的更多信息,请参阅 Amazon Redshift 文档中的Amazon Redshift Spectrum 入门

设置测试环境

要进行测试以验证本博文中概述的最佳实践,您可以使用任何数据集。Redshift Spectrum 支持多种常见数据格式:Text、Parquet、ORC、JSON、Avro 等等。您可以使用数据的原始格式进行查询,也可以根据数据访问模式、存储要求等等将数据转换为更高效的格式。例如,如果您经常访问列的子集,Parquet 和 ORC 等列格式能够仅读取所需列,从而大大降低 I/O。如何转换文件格式不在本博文的探讨范围之内,有关如何转换文件格式的更多信息,请参阅以下资源:


创建外部 schema

您可以遵循以下方法创建名为 s3_external_schema 的外部 schema:


SQL


create external schema s3_external_schema from data catalog database 'spectrumdb' iam_role 'arn:aws:iam::<AWS_ACCOUNT_ID>:role/aod-redshift-role'create external database if not exists;
复制代码


Amazon Redshift 集群和 Amazon S3 中的数据文件必须位于同一 AWS 区域。您可以在 Amazon Redshift、AWS Glue、Athena Data Catalog 或您自己的 Apache Hive 元存储中创建外部数据库。您的 Amazon Redshift 集群需要授权才能访问您的外部数据目录以及 Amazon S3 中的数据文件。您需要引用附加到您集群的 AWS Identity and Access Management (IAM) 角色(例如 aod-redshift-role)来提供授权。有关更多信息,请参阅 Amazon Redshift 文档中的为 Amazon Redshift 创建 IAM 角色

定义外部表

您可以使用 Parquet 文件定义分区的外部表,并使用如下逗号分隔值 (CSV) 文件定义其他非分区的外部表:


SQL


CREATE  external table s3_external_schema.LINEITEM_PART_PARQ (  L_ORDERKEY BIGINT, L_PARTKEY BIGINT, L_SUPPKEY BIGINT, L_LINENUMBER INT, L_QUANTITY DECIMAL(12,2), L_EXTENDEDPRICE DECIMAL(12,2), L_DISCOUNT DECIMAL(12,2), L_TAX DECIMAL(12,2), L_RETURNFLAG VARCHAR(128), L_LINESTATUS VARCHAR(128), L_COMMITDATE DATE, L_RECEIPTDATE DATE, L_SHIPINSTRUCT VARCHAR(128), L_SHIPMODE VARCHAR(128), L_COMMENT VARCHAR(128))partitioned by (L_SHIPDATE DATE)stored as PARQUETlocation 's3://<your-bucket>/<xyz>/lineitem_partition/';
CREATE external table s3_external_schema.LINEITEM_CSV ( L_ORDERKEY BIGINT, L_PARTKEY INT, L_SUPPKEY INT, L_LINENUMBER INT, L_QUANTITY DECIMAL(12,2), L_EXTENDEDPRICE DECIMAL(12,2), L_DISCOUNT DECIMAL(12,2), L_TAX DECIMAL(12,2), L_RETURNFLAG VARCHAR(128), L_LINESTATUS VARCHAR(128), L_SHIPDATE DATE , L_COMMITDATE DATE, L_RECEIPTDATE DATE, L_SHIPINSTRUCT VARCHAR(128), L_SHIPMODE VARCHAR(128), L_COMMENT VARCHAR(128))row format delimitedfields terminated by '|'stored as textfilelocation 's3://<your-bucket>/<xyz>/lineitem_csv/';
复制代码

查询数据

总的来说,Amazon Redshift 通过 Redshift Spectrum 访问存储在 Amazon S3 中的外部表。您可以使用用于其他 Amazon Redshift 表的相同的 SELECT 语法查询外部表。目前,所有外部表均为只读格式。


您必须在您的 SELECT 语句中引用外部表(方法是在表名称前面用 schema 名称做前缀),无需创建表并将其加载到 Amazon Redshift 中。


如希望使用 Redshift Spectrum 执行测试,可从以下两个查询着手。


查询 1


SQL


SELECT  l_returnflag,        l_linestatus,        sum(l_quantity) as sum_qty,        sum(l_extendedprice) as sum_base_price,        sum(l_extendedprice*(1-l_discount)) as sum_disc_price,        sum(l_extendedprice*(1-l_discount)*(1+l_tax)) as sum_charge,        avg(l_quantity) as avg_qty,        avg(l_extendedprice) as avg_priceFROM s3_external_schema.LINEITEM_PART_PARQWHERE l_shipdate BETWEEN '1998-12-01' AND '1998-12-31'GROUP BY l_returnflag, l_linestatusORDER BY l_returnflag, l_linestatus;
复制代码


该查询仅访问一个外部表,可用于突出显示 Redshift Spectrum 层提供的额外处理能力。


查询 2


SQL


SELECT   l_orderkey,         Sum(l_extendedprice * (1 - l_discount)) AS revenue,         o_orderdate,         o_shippriority FROM     customer, orders, s3_external_schema.lineitem_part_parq WHERE    c_mktsegment = 'BUILDING'          AND      c_custkey = o_custkey          AND      l_orderkey = o_orderkey          AND      o_orderdate < date '1995-03-15'          AND      l_shipdate >  date '1995-03-15' GROUP BY l_orderkey, o_orderdate, o_shippriority ORDER BY revenue DESC, o_orderdate LIMIT 20;
复制代码


该查询将三个表连接在一起:customerorders 表是本地 Amazon Redshift 表,而 LINEITEM_PART_PARQ 表是外部表。


本文转载自 AWS 技术博客。


原文链接:https://amazonaws-china.com/cn/blogs/china/12-best-practices-for-amazon-redshift-spectrum/


2020-01-13 14:53898

评论

发布
暂无评论
发现更多内容

私有化部署Dify构建企业AI平台教程

测吧(北京)科技有限公司

数据库高频面试十问

王中阳Go

数据库 面试题

京东商品详情API参数构造指南:必填参数与自定义字段配置

tbapi

京东API 京东商品数据采集 京东商品详情API 京东数据采集 京东数据分析

海量数据如何“安家”?一文读懂哈希、范围和一致性哈希三大分片策略

poemyang

分布式 分布式系统

转转客服IM系统的WebSocket集群架构设计和部署方案

JackJiang

网络编程 即时通讯 IM

整理思路、激发创意:MindNode for Mac 体验

Rose

从海外社交媒体分析到舆情监测:价值与应用

沃观Wovision

社交媒体 海外舆情监控 沃观Wovision 舆情监测系统

打造弹性 TCP 服务:基于 PoW 的 DDoS 防护

俞凡

golang 架构

开源浪潮激荡,智驱能源革新:MyEMS 如何破局重塑能源管理新范式

开源能源管理系统

开源 开源能源管理系统

Swish :通过手势来控制mac应用窗口

Rose

嘉为蓝鲸CTeam敏捷协同平台:自动化研发流程覆盖多角色,降本提效双丰收

嘉为蓝鲸

研发效能 研发协同 研发项目管理 敏捷协同平台 敏捷协同

理论到实战,高可用架构踩坑说明书

京东科技开发者

macOS Server:在 Mac 上轻松构建专业服务

Rose

一个MES项目,是软件重要还是实施重要?

万界星空科技

生产管理系统 mes 数字化工厂 万界星空科技 制造业工厂

AI 云再进化,百度智能云新技术与产品全景解读

Baidu AICLOUD

大模型 AI 云

Flink 与Flink可视化平台StreamPark教程(开篇)

天翼云开发者社区

大数据 flink

数字孪生项目外包开发的流程

北京木奇移动技术有限公司

数字孪生 软件外包公司 webgl开发

嘉为蓝鲸CMeas研发效能洞察平台:3秒精准定位研发效能报表,筛选+置顶双助力

嘉为蓝鲸

研发效能 仪表板 研发效能度量 研发效能洞察平台 研发效能报表

海外社交媒体分析如何助力舆情监测网站迭代升级

沃观Wovision

社交媒体 沃观Wovision 舆情监测系统 海外舆情监测

[成都信息工程大学主办]2025年第五届人工智能与智能制造国际研讨会(AIIM 2025)

搞科研的小刘

人工智能 投稿 智能制造 学术会议 国际研讨会

我如何用Prompt工程将大模型调教成风控专家

京东科技开发者

RFID技术没有改变世界,但它正在重塑细节

斯科信息

RFID技术 RFID系统 RFID通道机 RFID设备 RFID模块

不仅仅是反汇编:IDA Pro 的交互式分析与插件生态

Rose

配货准:隐藏在商品计划中的利润增长密码

第七在线

CST的超材料光子晶体---60度周期布里渊区

思茂信息

cst CST软件 CST Studio Suite

DeepSeek冲击(含本地化部署实践)

京东科技开发者

代码重构指南

俞凡

架构

Corel Painter 2023:提供了生动的自然媒体和独特的数字艺术画笔

Rose

好用的启动台管理工具 Launchpad Manager for Mac

Rose

明天,在命令行里直接「对话」你的技术栈

CodeBuddy

Amazon Redshift Spectrum 十二大最佳实践(一)_语言 & 开发_亚马逊云科技 (Amazon Web Services)_InfoQ精选文章