简介
Amazon Redshift 数据仓库是种快速且完全托管的数据仓库服务,让您可以使用标准 SQL 和现有的商业智能工具经济高效地分析您的所有数据,提供优质的数据仓库解决方案。
在规划 Amazon Redshift 数据库时,某些关键表的设计对整体查询性能影响很大。这些设计的优化可以减少 I/O 操作数和尽量减少处理查询所需的内存,因而对存储需求以至查询性能也有很大的影响。
对 Amazon Redshift 表设计的最佳实践包括了以下几点:
选择最佳的排序键
选择最佳的分配方式
让 COPY 选择压缩编码
定义主键和外键约束
使用尽可能小的列大小
在日期列中使用日期/时间数据类型
本文中,我们会聚焦于“使用尽可能小的列大小”这一点,介绍如何通过 SQL 脚本的方式半自动化地完成对 Amazon Redshift 数据表中列大小的优化。
使用尽可能小的列大小的必要性
根据亚马逊云科技官方文档上所描述的,虽然 Amazon Redshift 在数据压缩方面非常出色,定义过大的列长度对数据表本身的大小不会造成很大影响。但是,在运行一些复杂的查询时,由于中间过程数据会被临时存储,而这时创建的临时表不会被指定压缩格式,这样就会造成查询占用过多的内存或者临时磁盘空间的现象,从而导致查询性能的降低。
https://docs.aws.amazon.com/zh_cn/redshift/latest/dg/c_best-practices-smallest-column-size.html
测试环境准备
首先,运行如下 SQL 脚本在你的 Amazon Redshift 数据库中新建一张数据表 test_schema.customer 用于测试。
CREATE SCHEMA test_schema;
CREATE TABLE test_schema.customer
(
c_custkey INTEGER NOT NULL encode delta,
c_name VARCHAR(65535) NOT NULL encode zstd,
c_address VARCHAR(65535) NOT NULL encode zstd,
c_city VARCHAR(65535) NOT NULL encode zstd,
c_nation VARCHAR(65535) NOT NULL encode zstd,
c_region VARCHAR(65535) NOT NULL encode zstd,
c_phone VARCHAR(65535) NOT NULL encode zstd,
c_mktsegment VARCHAR(65535) NOT NULL encode zstd
) diststyle even;
复制代码
*左滑查看更多
其次,执行如下 SQL 脚本将测试数据导入 test_schema.customer 表。测试数据位于 LoadingDataSampleFiles.zip 压缩包中。
copy test_schema.customerfrom 's3://<your-bucket-name>/load/customer-fw.tbl'credentials 'aws_access_key_id=<Your-Access-Key-ID>;aws_secret_access_key=<Your-Secret-Access-Key>' fixedwidth 'c_custkey:10, c_name:25, c_address:25, c_city:10, c_nation:15, c_region :12, c_phone:15,c_mktsegment:10';
复制代码
*左滑查看更多
现在,数据表 test_schema.customer 中的 varchar 字段的长度都被定义为了 65535。运行以下 SQL 脚本,可以看到实际数据中的字段长度远远小于 65535。
select
max(len(c_name)) as c_name,
max(len(c_address)) as c_address,
max(len(c_city)) as c_city,
max(len(c_nation)) as c_nation,
max(len(c_region)) as c_region,
max(len(c_phone)) as c_phone,
max(len(c_mktsegment)) as c_mktsegment
from test_schema.
复制代码
*左滑查看更多
优化现有数据表中列大小的操作过程
接下来,我们会通过下面的八个步骤,来完成对数据表 test_schema.customer 的优化工作,将数据表中所有 varchar 数据类型的列大小进行优化,根据已有数据的最大长度来进行相应的压缩。
第一步,在 Amazon Redshift 数据库中创建存储过程 proc_replicate_table_with_resized_columns。这个存储过程提供了 4 个参数,分别是:
var_schema_name varchar(50),该参数用于指定您需要进行列大小的优化的数据表的 schema。
var_table_name varchar(50),该参数用于指定您需要进行列大小的优化的数据表的表名。
var_postfix varchar(50),该参数用于在原表名后附加后缀名,作为新创建数据表的表名。
var_ratio decimal(19,2),该参数用于指定一个系数,将列大小调整为该列最大长度乘以该系数。
首先,该存储过程会创建一个和指定数据表一样表结构的新数据表,该新表的名称会在原先表的名称后附加一个您指定的后缀;其次,该存储过程会检查指定数据表中所有 varchar 数据类型的列,如果改列在现有数据中的最大长度乘以一个系数之后,仍然小于表定义中原先设定的长度,则会生成一个 SQL 脚本来调整新创建表中该列的长度,长度被调整为 round(column_actual_len * var_ratio)。
create or replace procedure proc_replicate_table_with_resized_columns
(
var_schema_name in varchar(50),
var_table_name in varchar(50),
var_postfix in varchar(50),
var_ratio in decimal(19,2)
)
language plpgsql
as $
DECLARE
sql_text varchar(65535);
table_full_name varchar (100) ;
table_full_name_new varchar (100) ;
rec RECORD;
BEGIN
select into table_full_name var_schema_name || '.' || var_table_name;
select into table_full_name_new var_schema_name || '.' || var_table_name || var_postfix;
EXECUTE 'drop table if exists' || table_full_name_new;
--create a new table with the same schema
EXECUTE 'create table ' || table_full_name_new || ' (like ' || table_full_name || ')';
-- Get the temp table for all columns for a table, temp_table_column_scripts
drop table if exists temp_table_column_scripts;
create temp table temp_table_column_scripts(script varchar);
insert into temp_table_column_scripts
select 'select ''' || column_name || ''' as column_name, ' ||
'max(len(' || column_name ||')) as column_actual_len, ' ||
cast(character_maximum_length as varchar) || ' as column_def_len' ||
' from ' || table_schema || '.' || table_name as column_script
from svv_columns
where table_schema = var_schema_name and table_name = var_table_name and data_type = 'character varying';
--loop to insert the column info into temp_table_column_info
drop table if exists temp_table_column_info;
create temp table temp_table_column_info(column_name varchar, column_actual_len int, column_def_len int);
FOR rec IN SELECT script FROM temp_table_column_scripts
LOOP
RAISE INFO 'insert into temp_table_column_info %', rec.script;
EXECUTE 'insert into temp_table_column_info ' || rec.script;
END LOOP;
--Generate temp table for alter scripts
drop table if exists temp_table_alter_scripts;
create temp table temp_table_alter_scripts as
SELECT 'alter table ' || table_full_name_new || ' alter column ' ||
column_name || ' type varchar(' || cast(round(column_actual_len * var_ratio) as varchar) || ');'
FROM temp_table_column_info
where round(column_actual_len * var_ratio) < column_def_len;
END;
$;
复制代码
*左滑查看更多
第二步,执行上一步中创建出来的存储过程,并从结果表中获得用于优化列大小的 SQL 脚本。
具体操作可以参考以下 SQL 脚本,请将脚本中{s3-bucket-name}、{ACCESS_KEY_ID}、{SECRET_ACCESS_KEY}根据实际情况进行替换。
call proc_replicate_table_with_resized_columns('test_schema', 'customer', '_resize_columns', '1.3'); select * from temp_table_alter_scripts;
复制代码
*左滑查看更多
返回结果如下图所示:
*左滑查看更多
第三步,运行上一步中从 temp_table_alter_scripts 表中返回的 SQL 脚本。
第四步,运行以下 SQL 脚本用于检查数据表中的列大小是否已经调整。
select a.table_name, a.column_name, a.data_type,
a.character_maximum_length as as_is_length, b.character_maximum_length as to_be_length
from svv_columns as a
inner join svv_columns as b
on a.table_name + '_resize_columns' = b.table_name
and a.column_name = b.column_name
where a.table_schema = 'test_schema'
and a.table_name = 'customer'
and b.table_name = 'customer_resize_columns';
复制代码
*左滑查看更多
运行结果如下图所示。可以看到,数据表中的 varchar 类型字段的长度都依据现有数据实际长度进行了调整。
第五步,将原数据表中的数据 UNLOAD 到指定的 Amazon S3 路径中。具体操作可以参考以下 SQL 脚本,请将脚本中{s3-bucket-name}、{ACCESS_KEY_ID}、{SECRET_ACCESS_KEY}根据实际情况进行替换。
unload ('select * from test_schema.customer')
to 's3://{s3-bucket-name}/resize-redshift-columns/customer/'
ACCESS_KEY_ID '{ACCESS_KEY_ID}'
SECRET_ACCESS_KEY '{SECRET_ACCESS_KEY}'
GZIP;
复制代码
*左滑查看更多
第六步,将 S3 中的数据 COPY 到新建数据表中。
具体操作可以参考以下 SQL 脚本,请将脚本中{s3-bucket-name}、{ACCESS_KEY_ID}、{SECRET_ACCESS_KEY}根据实际情况进行替换。
copy test_schema.customer_resize_columns
from 's3://{s3-bucket-name}/resize-redshift-columns/customer/'
ACCESS_KEY_ID '{ACCESS_KEY_ID}'
SECRET_ACCESS_KEY '{SECRET_ACCESS_KEY}'
GZIP;
复制代码
*左滑查看更多
第七步,检查新建数据表中的数据是否与原数据表中的数据完全一致。
运行以下 SQL 脚本,如果返回结果为空,则代表新建数据表中的数据与原数据表完全一致。如果返回有数据,则需要检查之前的步骤是否操作有误,导致数据不一致。
select * from test_schema.customer
except
select * from test_schema.customer_resize_columns
union all
select * from test_schema.customer_resize_columns
except
select * from test_schema.customer
复制代码
*左滑查看更多
第八步,重命名数据表,使得新建数据表替换原数据表,并在替换之后删除原数据表。
在该步骤中,首先将原数据表重命名,例如:添加_original 后缀;然后,将新建数据表的名称重命名为原数据表的名称;最后,删除原数据表(注意:删除的数据表是带_original 后缀的数据表)。
具体操作可以参考以下 SQL 脚本:
alter table test_schema.customer
rename to customer_original;
alter table test_schema.customer_resize_columns
rename to customer;
drop table test_schema.customer_original;
复制代码
*左滑查看更多
通过以上的八个步骤,您就完成了对数据表 test_schema.customer 内所有 varchar 类型列大小的优化工作。
结论及展望
本文探讨了 Amazon Redshift 表设计的最佳实践,专注于使用尽可能小的列大小这一优化点,介绍了如何通过脚本的方式对 Amazon Redshift 数据中现有数据表的列大小进行优化。根据数据表中现有数据的最大列长度,对表定义中的列长度进行适当压缩。
需要指出的是,本文中每一个步骤的脚本还需要单独手工运行并检查运行结果。如果有需要的话,可以编写自动化任务流,在任务流中集成各个步骤中的脚本,从而实现对一个数据库中一张或多张数据表的自动化优化。
参考资料
本篇作者
姚亮
亚马逊云科技高级解决方案架构师
负责跨国企业客户的解决方案咨询,应用架构设计和优化,同时致力亚马逊云科技数据分析类服务的应用和推广。
扫描上方二维码即刻注册
评论