AWS Redshiftで集計クエリを投げてみた

Redshiftで集計のクエリを投げるために、環境構築から取り組んだ。
いろいろ苦労したので、まとめてみる

利用環境はMacです。

【背景】

• Redshiftって集計に使えそうだけど、Athenaと比較して性能ってどんなもんなの？
• Redshiftってデータ蓄積するのはS3じゃないんだよね？実際にどうやったら動かせるんだろう
• ただ、やったことないしわからないな〜

今回はこんな課題感で手を動かし始めました。

【実際にやったこと】

1. Redshiftでクエリを投げてみた
   • Redshiftの環境構築
   • Redshiftにテーブルを作成する
   • S3からデータをコピーする
   • クエリを投げる

これらをどのようにしていったかをまとめます。（いろんな記事を参考にさせていただきました）

【Redshiftでクエリを投げてみた】

実際にやっていった手順に沿って書いていこうと思います。

Redshiftの環境構築, テーブルの作成, S3からデータをコピーする

Redshiftの公式ドキュメントに沿って、環境構築を行った。
クラスターを作成し、そのクラスターにデータベースを作成しました。
ストレージは160GBで、ノードの種類はdc2.largeで数は一つです。
ドキュメントの通り進めていって、テーブルの作成まで行うことができた（公式ドキュメントのstep 6の途中）

このままデータをS3からコピーしようと以下のクエリを叩くとその下のエラーが出てきました。（<>でマスキングしています）

Redshift

copy users 
from 'S3 URI' 
IAM_ROLE 'arn:aws:iam::<aws_user_id>:role/<role_name>'
;

error

ERROR: User arn:aws:redshift:<リージョン>:<aws_user_id>:<dbuser:クラスター名/DBユーザー名> is not authorized to assume IAM Role arn:aws:iam::<aws_user_id>:role/<role_name>. Detail: ----------------------------------------------- error: User arn:aws:redshift:<リージョン>:<aws_user_id>:<dbuser:クラスター名/DBユーザー名> is not authorized to assume IAM Role arn:aws:iam::<aws_user_id>:role/<role_name>. code: 8001 context: IAM Role=arn:aws:iam::<aws_user_id>:role/<role_name> （略）

なんかAuthorize系のエラーが出てるから、とりあえずS3、Redshiftのフルアクセス付けたらいけるだろうと思ってましたが、実際にはどうにもうまくいきませんでした

そこでこの記事を参考に。[Amazon Redshift] RedshiftのIAM Roles利用が可能となりました。

今回問題だったのは、S3からRedshiftへデータをcopyする際にエラーが出ていたということ。
具体的に行ったことは

• amazon Redshiftのサービスロールを新たに作成した
• そのサービスロールの信頼されたエンティティが"redshift.amazon.com"であること
• その作成したサービスロールをRedshiftのクラスターでアタッチする

以上の三項目を行うとエラーが出なくなりました:)
つまり、"role_name"を変更した。ということですね！
この辺りのロール、サービスロール周りはIAM公式ドキュメントを読んで、理解を深めました。

これによって権限系のエラーは出なくなったのですが、、、S3からcsvfileをコピーしようとすると、こんなエラーが、

error

ERROR: Load into table 'file_name' failed. Check 'stl_load_errors' system table for details.

これは'stl_load_errors'をチェックしろということなので、以下のクエリで確認したところ、エラーコードが表示されました！！！

stl_load_errors

SELECT *
FROM stl_load_errors
ORDER BY starttime DESC LIMIT 2;

公式ドキュメント（ロードエラーコード）によると'1214'は'区切り記号が見つかりません'とのことでした。
エラーの内容もしっかり見ていると、'raw_filed_value'にカラム名が入っていることでエラーが起きてそうでした。
そこでS3にアップロードしているデータのカラム名（header）を削除してアップロードし直すと、次はまた別のエラーが、、
今度は区切りの文字が違うとのことだったので、こちらを参考に、'delimiter'を指定しました。（Redshiftのデフォルトの区切り文字は'|'だそうですね、、、知りませんでした）

そうしたらようやく、、！！
S3から、データをコピーすることができました！！

クエリを投げる

ここまで来れたらあとはもうクエリを投げるだけ。もちろん集計関数も使えます。

SELECT *
FROM テーブル名
;

なんでも好きなクエリで、計算することができました！！もちろん複数テーブルを作成してのjoinもできました。

まとめ

今回出たエラーと対応を順番にまとめます。

• 権限系のエラー → サービスロールを作成（信頼されたエンティティを指定）
• csvfileの区切りがおかしいその① → 元データのヘッダーを削除
• csvfileの区切りがおかしいその② → copy時の区切り文字を指定

このような手順でエラーを乗り越えて行きました。色々と苦労しましたが、公式のドキュメントと向き合うことが大切だと学びました。
Redshiftはクラスターを最初に作成して、ノード数を決めて、クエリを投げるので、パフォーマンスは安定してるとのことです。
（Athenaはリクエスト時に、AWS側でリソースを確保するらしい）

引き続き学びがあれば更新していきたいと思います〜