如何解决AWS Athena-如何处理巨大的结果文件
寻找一种处理〜4Gb文件的方法,这是Athena查询的结果,我想知道:
-
是否可以通过某种方式将Athena的查询结果文件分成小块?据我了解-从雅典娜那边不可能。另外,似乎无法用Lambda进行拆分-该文件太大,看起来
s3.open(input_file,'r')
在Lambda中不起作用:( -
还有其他一些AWS服务可以解决此问题吗?我想将此CSV文件拆分为小文件(大约3-4 Mb),以将其发送到外部源(POST请求)
解决方法
您可以在Athena中使用CTAS的选项,并使用内置的分区功能。
使用Athena的常见方法是将原始数据ETL转换为更优化和更丰富的格式。您可以将运行的每个SELECT查询转换为CREATE TABLE ... AS SELECT(CTAS)语句,该语句将根据所需的转换逻辑和输出格式将原始数据转换为S3中的一组新文件。
通常建议以压缩格式(例如Parquet)创建新创建的表,但是,您也可以将其定义为CSV(“ TEXTFILE”)。
最后,建议将大表划分为有意义的分区,以降低查询数据的成本,尤其是在由扫描数据收费的雅典娜中。有意义的分区基于您的用例和您想要拆分数据的方式。最常见的方法是使用时间分区,例如每年,每月,每周或每天。使用您想要拆分文件的逻辑作为新创建表的分区键。
CREATE TABLE random_table_name
WITH (
format = 'TEXTFILE',external_location = 's3://bucket/folder/',partitioned_by = ARRAY['year','month'])
AS SELECT ...
当您转到s3://bucket/folder/
时,将有一长串基于所选分区的文件夹和文件。
请注意,根据每个分区中的数据量,文件的大小可能会有所不同。如果这是一个问题,或者您没有任何有意义的分区逻辑,则可以向数据中添加一个随机列并对其进行分区:
substr(to_base64(sha256(some_column_in_your_data)),1,1) as partition_char
或者您可以使用存储桶并提供所需的存储桶数:
WITH (
format = 'TEXTFILE',bucketed_by = ARRAY['column_with_high_cardinality'],bucket_count = 100
)
,
您将无法使用Lambda做到这一点,因为您的内存已用完约3GB,文件系统存储已用完了512 MB。
您是否尝试过仅在文件系统上运行split
命令(如果您使用的是基于Unix的操作系统)?
如果该作业重复发生并且需要自动化,并且您仍然希望保持“无服务器”状态,则可以创建一个包含执行该任务的脚本的Docker映像,然后通过Fargate任务运行它。
关于如何使用split
的特定信息,这个其他堆栈溢出问题可能会有所帮助:
How to split CSV files as per number of rows specified?
您可以使用Range
选项向S3请求文件的范围。这是一个字节范围(含),例如bytes=0-1000
,以获取前1000个字节。
如果要在同一Lambda调用中处理整个文件,则可以请求一个范围,该范围与您认为适合内存的范围有关,进行处理,然后请求下一个。当您看到最后一个换行符时,请请求下一个块,并将部分行放在下一个块之前。只要您确保前面的数据块已被垃圾回收并且不聚合庞大的数据结构,就可以了。
您还可以并行运行多个调用,每个调用都处理自己的块。您可以通过一次调用检查文件大小,然后根据需要多次调用处理函数,以确保每个文件都获得可以处理的块。
但是,仅将文件分成相等的部分是行不通的,因为您无法知道行的结尾,因此块可能会将行分成两半。如果您知道一行的最大字节大小,则可以用该数量(在开头和结尾处)填充每个块。当您阅读一个块时,您会向前跳,直到您看到开始填充中的最后一个换行符为止,然后您会跳过结束填充中的第一个换行符之后的所有内容–显然,对第一个和最后一个块进行了特殊处理。
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。