使用R

Question

我需要每天多次向Redshift推送几千行。但出于管理原因，我无法使用S3的批量插入。什么是最快的方式？

详细信息：

有三种方法（我可以看到）从R中向Amazon Redshift中的表中插入行：

1. 逐行插入查询。每行都作为自己的INSERT VALUES查询
插入
2. 多行插入查询：与1相同，但每个查询插入多条记录。大小受行数或16MB最大SQL查询大小限制的约束。
3. 从AWS S3，Dynamo或EMR批量插入。

上述每种方法比前一种方法快一个数量级。我喜欢使用批量插入来创建或更新表，但我们的组织已做出安全和管理决策，不允许业务用户批量加载或卸载数据到S3。这使我无法使用包redshiftTools上传文件。

我可以使用RODBC::sqlSave执行上面的第1项。这很慢，但最终完成了工作。

我更喜欢的是sqlSave类似于一次插入多行数据的内容。但并不是要超过红移的行/大小限制。这对于简单的数据结构来说很容易，但是处理整数，字符，日期等的通用函数将是理想的，因为我不能仅使用一个表来执行此操作。所以我弹出了sqlSave的源代码，并开始推出自己的函数来构建多行插入，将数据块化为1000行块，并为每个块构建并执行查询。

但我已经停下来询问这是否已经完成了？有没有更好的办法？我有这种感觉，也许R的其他SQL包之一有一个功能来做这样的事情。但是，当我搜索所有我发现的是其他人having the same sort of problem。

任何提示？

更新1

由于一些提示，我调查了fast=TRUE中的RODBC::sqlSave开关。文档让我觉得这就是我之后的事情：

  快速：合乎逻辑。如果为false，则一次写入一行数据。如果为true，则使用参数化INSERT INTO或UPDATE查询在一次操作中写入所有数据。

所以我想我应该测试一下。所以我创建了一个包含10条记录和2列的小数据框：

df <- data.frame(a=rnorm(10), b=sample(letters, 10, replace=TRUE),
                 stringsAsFactors = FALSE)    

然后我用benchmark计算了5次重复的执行时间：

benchmark( sqlSave(dbhandle, df, tablename = 'jal_test1', append=TRUE, fast=TRUE), replications = 5)
#                                                                         test replications elapsed relative user.self sys.self user.child sys.child
# 1 sqlSave(dbhandle, df, tablename = "jal_test1", append = TRUE, fast = TRUE)            5  512.59        1      0.08     0.03         NA        NA

benchmark( sqlSave(dbhandle, df, tablename = 'jal_test1', append=TRUE, fast=FALSE), replications = 5)
#                                                                          test replications elapsed relative user.self sys.self user.child sys.child
# 1 sqlSave(dbhandle, df, tablename = "jal_test1", append = TRUE, fast = FALSE)            5  264.37        1      0.08     0.02         NA        NA

这有点难以阅读，但总结如下：

• fast=TRUE耗时512秒
• fast=FALSE花了264秒

有25条记录，时间可以达到：

• fast=TRUE花了1208秒
• fast=FALSE花了604秒

这对我来说毫无意义。

更新2

我试过test=TRUE开关，认为它会告诉我发生了什么，但我无法弄清楚它究竟发生了什么......但是转向verbose=TRUE有帮助我意识到fast=TRUE并没有按照我的想法去做。它似乎使用替换，但不做一个大的插入。它仍然会nrow(df)值插入：

> df <- data.frame(a=rnorm(5), b=sample(letters, 5, replace=TRUE), stringsAsFactors = FALSE)
> sqlSave(dbhandle, df, tablename = 'jal_test1', append=TRUE, fast=FALSE, verbose=TRUE)
Query: INSERT INTO "jal_test1" ( "rownames", "a", "b" ) VALUES ( '1', -1.45261402, 'd' )
Query: INSERT INTO "jal_test1" ( "rownames", "a", "b" ) VALUES ( '2', -0.01642518, 'm' )
Query: INSERT INTO "jal_test1" ( "rownames", "a", "b" ) VALUES ( '3',  1.11767938, 'm' )
Query: INSERT INTO "jal_test1" ( "rownames", "a", "b" ) VALUES ( '4', -0.63480166, 'a' )
Query: INSERT INTO "jal_test1" ( "rownames", "a", "b" ) VALUES ( '5', -0.75538702, 'k' )
> sqlSave(dbhandle, df, tablename = 'jal_test1', append=TRUE, fast=TRUE, verbose=TRUE)
Query: INSERT INTO "jal_test1" ( "rownames", "a", "b" ) VALUES ( ?,?,? )
Binding: 'rownames' DataType -9, ColSize 255
Binding: 'a' DataType 6, ColSize 17
Binding: 'b' DataType -9, ColSize 255
Parameters:
no: 1: rownames 1/***/no: 2: a -1.45261/***/no: 3: b d/***/
no: 1: rownames 2/***/no: 2: a -0.0164252/***/no: 3: b m/***/
no: 1: rownames 3/***/no: 2: a 1.11768/***/no: 3: b m/***/
no: 1: rownames 4/***/no: 2: a -0.634802/***/no: 3: b a/***/
no: 1: rownames 5/***/no: 2: a -0.755387/***/no: 3: b k/***/

Answer 1

当尝试解决为什么花较长时间从Pandas（通过reticulate导入到R）中写入〜5000行数据帧的问题时，我找到了这个答案，并想发布更新。

自版本0.24.0（2019年1月）开始，pd.DataFrame.to_sql中有一个method参数，当您设置method = 'multi'时似乎实际上在进行合理的分块。比较两种将数据帧写到Redshift的方法，我看到了大约 50倍的加速。

# Called from R, takes ~500 seconds for a 5000 row data frame
write_result <- pd_df$to_sql( name=tablename
    , con=conn
    , index = FALSE
    , if_exists = if_exists
    , schema='my_schema'
    , chunksize=1000L)

# Takes ~10 seconds for the same 5000 row data frame.
write_result <- pd_df$to_sql( name=tablename
    , con=conn
    , index = FALSE
    , if_exists = if_exists
    , schema='my_schema'
    , chunksize=1000L
    , method='multi') # this is the new argument

Answer 2

建议使用非S3选项进行批量加载：

1. 来自Amazon EMR的COPY
2. 来自远程主机（SSH）的COPY
3. 来自Amazon DynamoDB的COPY

https://docs.aws.amazon.com/redshift/latest/dg/copy-parameters-data-source.html

Answer 3

我最终无法找到一个可以在R中进行分块的SQL写入函数的实现。但是我确实在Python中看到与sqlalchemy组合在一起的pandas包很容易做到这一点。所以我在一些R代码中掏出了Reticulate并包装了Python来创建一个写入redshift的函数。看起来像是矫枉过正，但它完成了工作，我不必重新实现任何东西：

start_python <- function(){
  library(reticulate)
  use_condaenv( "r-reticulate")
  pd <- import('pandas')
  sa <- import('sqlalchemy')
}

# write a table to RDW sandbox
write_to_redshift <- function(df, tablename, if_exists = 'append'){
  pd_df <- r_to_py(df)
  eng = sa$create_engine('postgres://user:pwd@redshift_name:5439/db_name')
  conn = eng$connect()
  write_result <- pd_df$to_sql( name=tablename, con=conn,  index = FALSE, if_exists = if_exists, schema='my_schema', chunksize=10000L)
  conn$close()
  return(write_result)
}