用户可以自定义 Amazon Redshift 数据库函数了

  • 谢丽

2015 年 9 月 16 日

话题:数据库Python语言 & 开发架构

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ROUNDSUBSTRING)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:

  • NumPySciPy: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;
  • DateutilPytz: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InfoQ 好读者)。

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

数据库Python语言 & 开发架构