您是否需要使用胶水摄取excel和其他专有格式,或允许胶水在您的数据湖中使用这些数据格式来爬行您的s3存储桶?
我已经阅读了“Data Lake Foundation on the AWS Cloud”文件,我一直在试图将数据输入湖中 . 我有一个数据提供程序,其系统中存储了大量数据作为excel和访问文件 .
根据流程流程,他们会将数据上传到提交s3存储桶中,这会引发一系列操作,但数据并没有成为可与其他工具配合使用的格式 .
使用这些文件是否需要在存储桶中提交的数据上使用胶水,或者是否有其他方法可以将此数据提供给其他工具,如Athena和redshift频谱?
感谢您对此主题的任何启发 .
-Guido
1 回答
我没有看到可以将excel数据直接带到Data Lake . 在加载到Data Lake之前,您可能需要转换为CSV / TSV / Json或其他格式 .
Formats Supported by Redshift Spectrum:
http://docs.aws.amazon.com/redshift/latest/dg/c-spectrum-data-files.html - 我现在再也看不到Excel了 .
Athena Supported File Formats:
http://docs.aws.amazon.com/athena/latest/ug/supported-formats.html - 我不认为这里也不支持Excel .
您需要将文件上传到S3以使用Athena或Redshift Spectrum甚至Redshift存储本身 .
Uploading Files to S3:
如果您有更大的文件,则需要使用S3分段上传来更快地上传 . 如果您想要更快的速度,则需要使用S3加速器上传文件 .
Querying Big Data with Athena:
您可以从S3位置使用Athena创建外部表 . 创建外部表后,使用Athena Sql引用查询数据 .
http://docs.aws.amazon.com/athena/latest/ug/language-reference.html
Querying Big Data with Redshift Spectrum:
与Athena类似,您可以使用Redshift创建外部表 . 开始查询这些表并在Redshift上获得结果 .
Redshift有很多商业工具,我使用SQL Workbench . 它是免费的开源和坚如磐石,由AWS提供支持 .
SQL WorkBench:http://www.sql-workbench.net/
将WorkBench连接到Redshift:http://docs.aws.amazon.com/redshift/latest/mgmt/connecting-using-workbench.html
Copying data to Redshift:
此外,如果您想将数据存储带到Redshift,您可以使用copy命令从S3中提取数据并将其加载到Redshift .
复制命令示例:
http://docs.aws.amazon.com/redshift/latest/dg/r_COPY_command_examples.html
Redshift Cluster Size and Number of Nodes:
在创建Redshift Cluster之前,请检查所需的大小和节点数 . 更多数量的节点并行运行查询 . 另一个重要因素是您的数据分布情况 . (分配键和排序键)
我对Redshift有很好的体验,可能需要一段时间才能达到速度 .
希望能帮助到你 .