続・Redshiftを試してみる

前回に引き続きredshiftを試したメモです。

1000万行のデータのImportやSelectなど

以下のようなデータをImportしてみます。
前回との違いは、response フィールドに多少大きめのデータを格納して、１レコード当たりのサイズが大きいことです。

• type: varchar(32)
• point: int
• response: varchar(65535) # 65535 が MAX
• event_datetime: datetime

DDLは以下のようにしました。

Create Table sample2 (
  type VARCHAR(32) ENCODE TEXT255,
  point INT,
  response VARCHAR(65535),
  event_datetime TIMESTAMP
)
DISTSTYLE EVEN
SORTKEY (event_datetime);

Importするデータを適当に作ります

make_data2.rb

# coding: utf-8

num = ARGV.shift.to_i
DELI = "\001"

TYPES = ["cat", "dog", "cow", "horse"]

num.times do |i|
  type = TYPES[i % TYPES.size]
  point = Random.rand(10) + 1
  response = (Random.rand(63)+33).chr * (Random.rand(2000) + 800)
  dt = Time.now.utc
  puts [type, point, response, dt].join(DELI)
end

1万行のデータを1000個作ってS3にUploadする

for i in {000..999};do; ruby make_data2.rb 10000 | gzip > files/sample2.data.${i}.gz;done 
s3cmd put files/sample2.data.* s3://BUCKET/redshift/sample2/   

Fileサイズは合計79MB程(gzip後)。

Import や Select の実行時間

※ちなみにQueryの実行時間はRedshiftのWeb管理コンソールのQueriesタブから確認できます。

COPY sample2
FROM 's3://BUCKET/redshift/sample2/sample2.data'
GZIP
DELIMITER '\001'
CREDENTIALS 'aws_access_key_id=****;aws_secret_access_key=****'
;
→ 約520秒

mydb=# select count(*) from sample2;
  count   
----------
 10000000
(1 行)
→ 2.34秒

mydb=# select type, count(*) from sample2 group by type;
 type  |  count  
-------+---------
 dog   | 2500000
 cat   | 2500000
 cow   | 2500000
 horse | 2500000
(4 行)
→ 5.54秒

DISK使用量

Performanceタブで確認すると、「Percentage of Disk Space Used」 が 0.83% になっていました。

2TB × 0.0083 ≒ 16GB

です。

今回の１レコード当たり約2000B弱かな、という感じなので、

2000B × 1千万レコード(10Mレコード) -> 20GB

となり、説明がつきそうなサイズになっています。

Import速度とファイルサイズや数の関係？

先ほどのファイルは１つ当たり79KBと小さめだったのでまとめた方がImportにかかる実行時間が短くなるかなと思ってもう一度検証。今度は、100万行を10個で試してみる（１ファイル当たり約7.9MB）。

for i in {0..9};do; gzip -dc files/sample2.data.${i}* | gzip > files2/sample2b.data.${i}.gz; done
s3cmd put files2/sample2b.data.* s3://BUCKET/redshift/sample2b/   

COPY sample2
FROM 's3://BUCKET/redshift/sample2b/sample2b.data'
GZIP
DELIMITER '\001'
CREDENTIALS 'aws_access_key_id=***********;aws_secret_access_key=***********'
;
-> 458秒

この時は62秒程短かくなりました（でも、もう一度実行したら遅かったので誤差の範囲のようです）。

Selectの速度は変わったかな？

mydb=# select type, count(*) from sample2 group by type;
 type  |  count  
-------+---------
 dog   | 5000000
 cat   | 5000000
 cow   | 5000000
 horse | 5000000
(4 行)
-> 1.62秒

この程度では影響ないようです。

• もう一度、1万行×１０００ファイルをImportしてみる。

  • → 474秒 （先程は520秒）

• もう一度、100万行×10FileをImportしてみる。

  • → 521秒 （先程は458秒）