如何解决自动将数据从S3加载到Redshift
我也希望将数据从S3加载到Redshift。进入S3的数据每秒约5MB {近似大小}。
我需要自动将数据从S3加载到Redshift。 到S3的数据正在从kafka-stream消费者应用程序中转储。
文件夹S3数据采用文件夹结构。 示例文件夹: bucketName / abc-event / 2020/9/15/10
此文件夹中的文件:
abc-event-2020-9-15-10-00-01-abxwdhf。 5MB
abc-event-2020-9-15-10-00-02-aasdljc。 5MB
abc-event-2020-9-15-10-00-03-thntsfv。 5MB
S3中的文件具有用下一行分隔的json对象。
此数据需要以redshift加载到 abc-event 表中。
我知道几个选项,例如 AWS数据管道, AWS胶, AWS Lambda Redshift加载器()。
>什么是最好的方法。 非常感谢有人指导我。 谢谢你
=========================================== >
感谢Prabhakar的回答。在此方面需要一些帮助。
通过搜寻器在数据目录中创建一个表,然后 然后在胶水中运行ETLL作业就完成了将数据从S3加载到redshift的工作。
我正在使用方法1。谓词下推 将新文件加载到S3的不同分区中(例如,新小时开始)。
我正在使用AWS Glue python脚本作业添加新分区。 使用Athena API在表中添加新分区。 (使用ALTER TABLE ADD PARTITION)。
我已经在控制台中检查了python脚本作业添加了新分区。我检查了新分区已添加到数据目录表中。
当我使用下推谓词运行同一作业时,会给出python脚本粘合作业添加的相同分区。
该作业未将新分区中S3的新文件加载到Redshift。
我无法弄清楚我在做什么错???
解决方法
在您的用例中,您可以利用AWS Glue定期将数据加载到redshift中。您可以使用触发器安排您的Glue作业每60分钟运行一次,在您的案例中计算约为1.8 GB。
可以根据您的需要以及每次处理要处理的数据量来更改此间隔。
在读取此数据时,可以采取几种方法:
这只会加载作业中提到的分区。您可以每次运行时计算分区值,并将它们传递给过滤器。为此,您需要在每次运行时运行Glue搜寻器,以便在表元数据中更新表分区。
如果您不想使用搜寻器,则可以使用boto3 create_partition或Athena add partition,这是一项免费操作。
这将仅加载从Glue作业完成前一次运行时开始累积的最新s3数据。如果某些运行中S3中没有数据生成,此方法可能无效。
一旦计算了要读取的数据,您只需在每次运行时将其写入redshift表即可。
在您的情况下,子目录中存在文件,您需要为其启用recurse
,如以下语句所示。
datasource0 = glueContext.create_dynamic_frame.from_catalog(database =<name>,table_name = <name>,push_down_predicate = "(year=='<2019>' and month=='<06>')",transformation_ctx = "datasource0",additional_options = {"recurse": True})
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。