我的公司每月收集大量有关我们服务器使用情况的数据(大约100亿行的某个地方)。我的任务是将数据从这个初始表卸载到S3
,然后我将其复制到另一个集群中的表。然后,此数据用于Tableau
中的信息中心报告。
我遇到了一些问题,其中卸载(以及某种程度上的复制)步骤间歇性地失败,例如Unexpected error: The server is already closed.
这使我认为它基本上是超时的。还有一些奇怪的行为,它正在搅拌并挂在卸载步骤上,在它失败后,我可以看到它将所有数据和清单文件卸载到存储桶中。
由于存在这些不确定性,我不得不寻找其他可能分配任务的策略。我对Spark
非常感兴趣,目前正在使用pyspark
了解它,并且想知道我是否可以通过分布式处理来解决问题。是否可以将数据存储在ec2
中,并从那里开始使用Tableau?有没有办法分发卸载过程?
我将在下面的流程中包含代码,这样如果存在一些瓶颈,我就会纠正它:
from datetime import datetime
import logging
import boto3
import psycopg2 as ppg2
from inst_utils import aws, misc_utils
from inst_config import config3
if __name__ == '__main__':
logger = misc_utils.initialize_logger(config3.REQUESTS_USAGE_LOGFILE)
# Unload step
timestamp = datetime.now()
month = timestamp.month
year = timestamp.year
s3_sesh = boto3.session.Session(**config3.S3_INFO)
s3 = s3_sesh.resource('s3')
fname = 'load_{}_{:02d}'.format(year, month)
bucket_url = ('canvas_logs/agg_canvas_logs_user_agent_types/'
'{}/'.format(fname))
unload_url = ('s3://{}/{}'.format(config3.S3_BUCKET, bucket_url))
s3.Bucket(config3.S3_BUCKET).put_object(Key=bucket_url)
table_name = 'requests_{}_{:02d}'.format(year, month - 1)
logger.info('Starting unload.')
try:
with ppg2.connect(**config3.REQUESTS_POSTGRES_INFO) as conn:
cur = conn.cursor()
# TODO add sql the sql folder to clean up this program.
unload = r'''
unload ('select
user_id
,course_id
,request_month
,user_agent_type
,count(session_id)
,\'DEV\' etl_requests_usage
,CONVERT_TIMEZONE(\'MST\', getdate()) etl_datetime_local
,\'agg_canvas_logs_user_agent_types\' etl_transformation_name
,\'N/A\' etl_pdi_version
,\'N/A\' etl_pdi_build_version
,null etl_pdi_hostname
,null etl_pdi_ipaddress
,null etl_checksum_md5
from
(select distinct
user_id
,context_id as course_id
,date_trunc(\'month\', request_timestamp) request_month
,session_id
,case
when user_agent like \'%CanvasAPI%\' then \'api\'
when user_agent like \'%candroid%\' then \'mobile_app_android\'
when user_agent like \'%iCanvas%\' then \'mobile_app_ios\'
when user_agent like \'%CanvasKit%\' then \'mobile_app_ios\'
when user_agent like \'%Windows NT%\' then \'desktop\'
when user_agent like \'%MacBook%\' then \'desktop\'
when user_agent like \'%iPhone%\' then \'mobile\'
when user_agent like \'%iPod Touch%\' then \'mobile\'
when user_agent like \'%iPad%\' then \'mobile\'
when user_agent like \'%iOS%\' then \'mobile\'
when user_agent like \'%CrOS%\' then \'desktop\'
when user_agent like \'%Android%\' then \'mobile\'
when user_agent like \'%Linux%\' then \'desktop\'
when user_agent like \'%Mac OS%\' then \'desktop\'
when user_agent like \'%Macintosh%\' then \'desktop\'
else \'other_unknown\'
end as user_agent_type
from {}
where context_type = \'Course\')
group by
user_id
,course_id
,request_month
,user_agent_type')
to '{}'
credentials 'aws_access_key_id={};aws_secret_access_key={}'
manifest
gzip
delimiter '|'
'''.format(
table_name, unload_url, config3.S3_ACCESS, config3.S3_SECRET)
cur.execute(unload)
conn.commit()
except ppg2.Error as e:
logger.critical('Error occurred during transaction: {}'.format(e))
raise Exception('{}'.format(e))
logger.info('Starting copy process.')
schema_name = 'ods_canvas_logs'
table_name = 'agg_canvas_logs_user_agent_types'
manifest_url = unload_url + 'manifest'
logger.info('Manifest url: {}'.format(manifest_url))
load = aws.RedshiftLoad(schema_name,
table_name,
manifest_url,
config3.S3_INFO,
config3.REDSHIFT_POSTGRES_INFO_PROD,
config3.REDSHIFT_POSTGRES_INFO,
safe_load=True,
truncate=True
)
load.execute()
答案 0 :(得分:2)
FWIW,我想您应该发布另一个问题,其中包含您尝试的UNLOAD
的详细信息。
我在卸载整个表格时发现UNLOAD
可以更好地工作,例如,不使用查询。
尝试使用要卸载的数据子集创建临时表,然后UNLOAD
整个表,然后删除临时表。
CREATE TEMP TABLE a AS SELECT b FROM c WHERE d = e;
UNLOAD (SELECT * FROM a) TO 's3://bucket' CREDENTIALS … ;
DROP TABLE a;
关于上面的实际问题,我认为您不会在这种方法上取得多大成功。瓶颈不是Spark或Python,而只是Redshift基本上不是设计的用于返回大量行。
答案 1 :(得分:1)
我同意@Jim Nasby - 带有DISTINCT的GROUP BY是多余的,并且最有可能导致麻烦,因为它们强制Redshift在复制前强制执行单个Leader节点上整个数据集的整理。
Redshift的COPY命令的巨大好处是每个节点,如果查询允许,可以与其他节点并行卸载自己的数据。因此,如果您有10个节点,则所有10个节点都可以创建S3连接(多个节点)并开始抽取数据。
在您的情况下,通过使用此DISTINCT,您基本上会禁用它,因为所有数据都需要首先重新计算。
所以我和其他人一起说,最好是按原样转储整个表(在群集上更快,减少负担),或者根据日期范围进行简单的增量上传,可能还有一些其他简单条件(就像你有context_type = \'Course\')
。只要没有GROUP BY / DISTINCT / ORDER BYs应该并行运行,并且非常快。
使用Spark会没有区别,因为它只是首先通过SQL连接抽取数据。