亚马逊Redshift COPY与转换

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，我需要把新的清理过的json文件写回S3，然后从这些清理过的文件中执行COPY吗？或者有没有一种方法可以在复制过程中通过此转换运行json？

Answer 1

@tommy

COPY操作只允许一些简单的转换，如DATETIME格式更改、NULL占位符等。

为了广泛地清理数据，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红移中。

如果您的数据很小，您可以使用AWS SDK（有Java、PHP和Python版本）编写一个简单的程序来执行ETL并将其加载到红移中。

在我们的案例中，数据是巨大的（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，并将清理后的结果作为TAB分隔的文件转储回S3。然后，我们使用标准的COPY命令将结果加载到红移中。我们还使用亚马逊数据管道来协调和自动化此工作流程。

Ex。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了数据。您可能需要根据您的用例添加额外的转换。

希望这能有所帮助。