使用 Spectrify 以 Parquet 格式将数据从 Redshift 卸载到 S3
Posted
技术标签:
【中文标题】使用 Spectrify 以 Parquet 格式将数据从 Redshift 卸载到 S3【英文标题】:Using Spectrify to offload data from Redshift to S3 in Parquet format 【发布时间】:2019-10-29 09:50:03 【问题描述】:我正在尝试,但由于我无法理解一些事情,所以我被困在了这个过程中。 Spectrify 文档不是很好,我在互联网上找不到任何实现示例。我在 *** 上也发现了一个类似的问题,但公认的答案是建议使用 Spectrify,但这并没有多大帮助。
这是问题所在(这是他们文档中的代码):
from spectrify.export import RedshiftDataExporter
from spectrify.convert import ConcurrentManifestConverter
from spectrify.utils.schema import SqlAlchemySchemaReader
RedshiftDataExporter(sa_engine, s3_config).export_to_csv('my_table')
csv_path_template = 's3://my-bucket/my-table/csv/start.year/start.month:02d/start.day:02d'
spectrum_path_template = 's3://my-bucket/my-table/spectrum/partition_key=start'
csv_path = csv_path_template.format(start=start_date)
spectrum_path = spectrum_path_template.format(start=start_date)
s3_config = SimpleS3Config(csv_path, spectrum_path)
sa_table = SqlAlchemySchemaReader(engine).get_table_schema('my_table')
ConcurrentManifestConverter(sa_table, s3_config).convert_manifest()
RedshiftDataExporter
用于将数据导出为 CSV,sa_engine
用于连接 Redshift 引擎。
他们的文档对转换过程含糊不清。在 Python 3.x 脚本中使用 Spectrify 时,应该使用什么过程将数据卸载到 CSV,然后将其转换为 Parquet 格式?我应该如何修改上面的代码以及我缺少什么?
【问题讨论】:
【参考方案1】:您现在可以将 Redshift 数据以 Parquet 格式卸载到 S3,而无需任何第三方应用程序。 Redshift 现在支持新功能:
UNLOAD ('select-statement')
TO 's3://object-path/name-prefix'
FORMAT PARQUET
文档可以在UNLOAD - Amazon Redshift找到
【讨论】:
好吧,不幸的是,当我们需要它时它不可用,所以我们采取了模仿JSON格式卸载然后通过EMR转换它的路线。但我们肯定会在未来使用它。以上是关于使用 Spectrify 以 Parquet 格式将数据从 Redshift 卸载到 S3的主要内容,如果未能解决你的问题,请参考以下文章
AWS Glue 作业以 Parquet 格式写入 s3 并出现 Not Found 错误
如何为 spectrify python 包指定 s3 配置?