如何使用 AWS RedShift Spectrum 为 S3 存储建模以进行查询

Question

MySQL 数据库中有一个users 表。

我们希望将数据迁移到亚马逊 S3 以使用 Amazon Redshift 进行进一步分析。

• 第 1 天 - 从 users 表中导出 10 行数据（总行数：10）
• 第 2 天 - 从 users 表中额外导出 2 行数据（总行数：12）
• 第 3 天 - 从 users 表中导出修改后的行和新行数据（总行数：13）

提议的 S3 数据文件夹/命名约定：

s3://data/users/YYYYMMDD/users-YYYYMMDDHHMMSS.csv

Amazon Redshift 按如下方式加载数据以查询用户的所有行：

create EXTERNAL TABLE redshift_users from s3://data/users

问题：

1. 我们假设第 3 天修改的行将优先于第 1 天可用的数据？
2. 如果在 Day4 删除了现有的 2 行，应该如何存储在 S3 中，Redshift 可以理解？

Answer 1

回答你的问题：

1. 您假设新行将自动优先于旧行 - 事实并非如此。您需要在您的数据中添加一个“processed_timestamp”列并在您的查询中对其进行处理——您的查询必须弄清楚如何仅获取最新的行（我为此使用窗口函数）。

2. 通常，您无法从 S3 中明智地物理删除行。你需要结合上面的#1来实现一个逻辑删除过程。