问题描述
我正在使用 PySpark 编写一个大批量作业,该作业对 200 个表进行 ETL 处理并加载到 Amazon Redshift 中。 这 200 个表是从一个输入数据源创建的。所以只有当数据成功加载到所有 200 个表时,批处理作业才成功。批处理作业每天运行,同时将每个日期的数据附加到表中。
对于容错、可靠性和幂等性,我当前的工作流程如下:
- 使用临时表。使用
CREATE TEMP TABLE LIKE <target_table>
创建临时 Redshift 表
- 将数据转换并加载到临时表中。
- 对其他 200 个表重复 1-2。
- 开始
BEGIN
次交易。 - 将临时表数据复制到目标表中
使用
INSERT INTO <taget_table> SELECT * FROM <staging_table>
-
END
交易 -
DROP
所有临时表。
这样我就可以保证,如果第 3 步失败(更有可能),我不必担心从原始表中删除部分数据。相反,我将简单地重新运行整个批处理作业,因为在 JDBC 断开连接后会丢弃临时表。
虽然它解决了大部分问题,但它并不优雅、笨拙并且消耗额外的时间。我想知道 Spark 和/或 Redshift 是否提供了标准工具来解决 ETL 世界中这个非常普遍的问题。
谢谢
解决方法
COPY 命令可以在事务块中。你只需要:
- 开始
- 将数据复制到所有表
- 提交(如果成功)
Redshift 将为所有其他查看者维护表格的先前版本,并且他们对表格的视图在 COMMIT 之前不会更改。
您布置的进程的好处是,在事务运行期间,其他进程无法在表(ALTER TABLE 等)上获得排他锁。您的插入将比 COPY 运行得快,因此事务的打开时间将更短。如果其他进程在 ETL 运行的同时修改表,这只是一个问题,这通常不是一个好主意。