Amazon Redshift COPY with transformation

Question

Redshift有一个复制操作，允许您将文件从S3复制到Redshift (http://docs.aws.amazon.com/redshift/latest/dg/r_COPY.html)中。

我的问题是，我是否需要将新清理过的.json文件写回S3，然后从这些清理过的文件中执行复制，或者有没有办法在复制过程中通过这种转换来运行？

Answer 1

@tommy

复制操作只允许几个简单的转换，如日期时间格式更改、空占位符等。

要广泛清理数据，您可能需要编写自己的程序并将结果转储回S3，然后才能将其复制到redshift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redshift中。

在我们的示例中，数据非常庞大(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配置单元表，使用HQL应用转换，并将清理后的结果以制表符分隔文件的形式转储回S3。然后，我们使用标准的COPY命令将结果加载到redshift中。我们还使用Amazon Data Pipeline来编排和自动化此工作流程。

例如。配置单元脚本

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。