用户可以自定义Amazon Redshift数据库函数了

数据库 亚马逊 Amazon Redshift Python

摘要

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）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。

正文

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。