背景・目的

AthenaでPartition Indexの検証を行うため、以前、こちらで用意したRedshiftのデータを再利用し環境を準備します。
また、UNLOADに要する時間を短縮するには、「1.何がポイントか？」、「2.どれだけ効果があるか」を検証します。

サマリ

以前、こちらで試したUNLOADコマンドで、S3にデータをコピーしました。
今回の検証で利用したデータのサイズは、949GB。
検証では、スライス数とRowgroupsizeの組み合わせで6パターン試しました。
結果は下表に記載しました。
- Rowgroupsizeによる違いは、ほとんど見られませんでした。

パターン（スライス数-Rowgroupsize）	クラスタ数（スライス数）	Rowgroupsize	処理時間
8スライス-32MB	2（8）	32MB	2h 30m
8スライス-128MB		128MB	2h 30m
16スライス-32MB	4（16）	32MB	2h 4m
16スライス-128MB		128MB	2h 2m
32スライス-32MB	8(32)	32MB	1h 51m
32スライス-128MB		128MB	1h 51m

UNLOAD時間を短縮するポイントとして、ノード数（スライス数）を増やすこと。
スライス数を倍になることで、おおよそ10%〜20%程度、速度が向上するようでした。

実践

S3バケット作成

事前にバケットを作成しておきます。

パーティションキーの選定

以下のクエリを実行し、パーティションキー候補のカーディナリティを確認しておきます。
- パーティション数は、2,526になります。
- レコード数の最小は、62,168件、最大は7,494,332件でした。

select l_shipdate,count(1)  from lineitem  group by l_shipdate order by 2 limit 1

===
l_shipdate  count
1992-01-02	62168

~~~~

select l_shipdate,count(1)  from lineitem  group by l_shipdate order by 2 desc limit 1

===
l_shipdate  count
1997-07-03	7494332

UNLOAD

1.以下のコマンドで、UNLOADします。

UNLOAD ('select * from lineitem')
TO 's3://{バケット名}/lineitem'
IAM_ROLE 'arn:aws:iam::{アカウント}:role/{IAMロール}'
PARTITION BY (l_shipdate) INCLUDE
PARQUET 
MANIFEST 
ALLOWOVERWRITE
Rowgroupsize {32 mb 〜 128 mb}
MAXFILESIZE 256 mb
REGION 'ap-northeast-1'

以下のオプションでUNLOADしています。
- パーティションキーに、l_shipdateを指定。
  - INCLUDEで、ファイル内に含める。
- Parquetファイル
- 1ファイル256MBを上限とする。
- Overwriteを許可。（デフォルトでは、S3にファイルがある場合、失敗する。）
- Rowgroupsizeは、32MBと128MBとする。
  - 大きくすることで、行グループの数を減らしNW通信量が減らすことができる。

2.結果を確認します。想定通りカラム名=値でS3パスが出来ていました。

// manifestファイルが作成されています。
$ aws s3 ls {バケット名}/lineitem_8_128/ | grep -i manifest
2022-04-12 01:25:25    4515382 manifest
$ 


// S3パスは、l_shipdate=日付で出来ていました。
$ aws s3 ls {バケット名}/lineitem_8_128/ | head
                           PRE l_shipdate=1992-01-02/
                           PRE l_shipdate=1992-01-03/
                           PRE l_shipdate=1992-01-04/
                           PRE l_shipdate=1992-01-05/
                           PRE l_shipdate=1992-01-06/
                           PRE l_shipdate=1992-01-07/
                           PRE l_shipdate=1992-01-08/
                           PRE l_shipdate=1992-01-09/
                           PRE l_shipdate=1992-01-10/
                           PRE l_shipdate=1992-01-11/

// S3パスは、2526件（2527件- manifestファイル1件）で事前に調べた件数と一致しています。
$ aws s3 ls {バケット名}/lineitem_8_128/ | wc -l
    2527
$

3.ロードに要した時間は、サマリにまとめました。

考察

やはり、スライス数を増やし、並列度が増えることでUNLOADの速度は向上するようでした。
一気にUNLOADしたい場合は、Redshiftのスライス数を一時的に増やし（拡張し）、そのあと縮退するような運用にすると良いかもしれません。
この結果が、何かの参考になれば幸いです。

参考