Question

Redshift有一个COPY操作，允许您将文件从S3复制到Redshift（http://docs.aws.amazon.com/redshift/latest/dg/r_COPY.html）。

S3中的.json文件是“脏”的;它们还没有准备好直接复制到Redshift中，需要首先运行转换。我的问题是：我是否需要编写新的已清理的JSON文件回到S3，然后从那些已清理的文件中执行COPY，或者有没有办法在复制过程中通过此转换运行jsons？

Answer 1

@tommy

COPY操作只允许几个简单的转换，如DATETIME格式更改，NULL占位符等。

要广泛清理数据，您可能必须编写自己的程序并将结果转储回S3，然后才能将其复制到redshift中。

如果您的数据很小，您可以使用AWS SDK（提供Java，PHP和Python风格）编写一个简单的程序来执行ETL并将其加载到redshift中。

在我们的案例中，数据量巨大（每天约4亿行），因此，我们使用Amazon EMR，HIVE和SerDe（JSON）编解码器来创建逻辑HIVE表，使用HQL应用转换，并转储清理后的结果以TAB分隔文件返回S3。然后，我们使用标准COPY命令将结果加载到redshift中。我们还使用Amazon Data Pipeline来协调和自动化此工作流程。

实施例。 HIVE脚本

add jar s3://elasticmapreduce/samples/hive-ads/libs/jsonserde.jar; --SerDe codec

CREATE EXTERNAL TABLE  source_table_name (column_a string, column_b date)  row format 
    serde 'com.amazon.elasticmapreduce.JsonSerde'
    with serdeproperties ( 
      'paths'='column_a, column_b'
   ) LOCATION   's3a://your-bucket-name/source-directory-path/';

CREATE EXTERNAL TABLE  dest_table_name (column_a string, column_b date) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'  LOCATION 's3n://your-bucket-name/dest-directory-path/';

INSERT INTO dest_table_name select * from source_table_name;

当然，上面显示的示例只是重新格式化数据。您可能必须根据您的用例添加其他转换。

希望这有帮助。

亚马逊Redshift COPY与转型

1 个答案: