Amazon Redshift 是一个完全托管的 PB 级数据仓库，使企业可以用一种经济的方式轻松分析其所有数据。近日，亚马逊云计算战略师 Jeff Barr 宣布，Amazon Redshift 新增标量用户定义函数（UDFs）（类似Amazon Redshift 内置函数 ROUND、SUBSTRING）支持，允许用户使用 Python 2.7 定义可以在数据仓库中运行的非 SQL 数据处理代码。
据 Amazon Web Service 医疗和生命科学解决方案架构师 Christopher Crosbie介绍，Python 非常适合数据操作和分析，但作为一种解释型语言，它在消费大型数据仓库的数据时存在瓶颈，主要是在多个进程之间分配工作负载非常复杂。而在 Amazon Redshift 中，这种问题就不存在了，Python 会像普通 SQL 查询一样并发执行，所以 Amazon Redshift 可以充分利用集群中的所有 CPU 内核执行 UDFs。另一方面，有了 Python UDFs，用户就可以充分利用 Python 的特性，Python 代码可以嵌入 SQL 语句，同 SQL 语句一起执行。
下面让我们看下 Jeff 举的例子，使用 UDF 简化复杂操作。
提取 URL 中的主机名可以使用如下正则表达式：
SELECT REGEXP_REPLACE(url, '(https?)://([^@]*@)?([^:/]*)([/:].*|$)', ‘\3') FROM table;
而如果用户引入一个 Python URL 解析库 URLParse，那么他就可以创建如下函数提取主机名：
CREATE FUNCTION f_hostname(url VARCHAR) RETURNS varchar IMMUTABLE AS $$ import urlparse return urlparse.urlparse(url).hostname $$ LANGUAGE plpythonu;
如此一来，上述 SQL 代码就可以简化为：
SELECT f_hostname(url) FROM table;可以看出，用户除了可以自定义函数外，还可以利用 Python 库中现有的函数处理在 SQL 中不易表达的操作。用户甚至可以从 S3 和 Web 上添加自定义库。实际上，Amazon Redshift UDFs 已经集成了 Python 标准库和若干其它的库，如：
- NumPy 和 SciPy ：提供用于创建多维对象、操作矩阵的数学工具；
- Pandas ：基于 NumPy 和 SciPy 提供高级的数据操作工具；
- Dateutil 和 Pytz ：简化日期和时区数据操作。
另外，Jeff 指出，Amazon Redshift UDFs 在一个完全隔离的容器中运行。也就是说，UDFs 不会破坏集群或对性能产生负面影响。而且，这些自定义函数还无法写文件或访问网络。因此，它们非常安全。
要了解更多有关 UDFs 的信息，请查阅官方文档或者由APN 合作伙伴 Looker 提供的 UDFs 指南。另一家 APN 合作伙伴 Periscope 已经创建并发布了一些有用的标量UDFs。在接下来的两周内，亚马逊将分区域升级现有Amazon Redshift 集群，升级后的集群版本是1.0.991。
感谢郭蕾对本文的审校。
给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们，并与我们的编辑和其他读者朋友交流（欢迎加入 InfoQ 读者交流群
）。
立即免费注册 AWS 账号，获得 12 个月免费套餐：点击注册
有云计算问题？立刻联系 AWS 云计算专家：立即联系
