你能使用Spark SQL / Hive / Presto直接从Parquet / S3复制到Redshift吗？

Question

我们在S3存储了大量的服务器数据（很快就会以Parquet格式存储）。 数据需要一些转换，因此它不能是S3的直接副本。 我将使用Spark来访问数据，但我想知道是不是用Spark操纵它，写回S3，然后复制到Redshift如果我可以跳过一步并运行查询来拉/变换数据然后直接复制到Redshift？

Answer 1

当然，完全有可能。

Scala代码读取镶木地板（取自此处 ）

val people: RDD[Person] = ... 
people.write.parquet("people.parquet")
val parquetFile = sqlContext.read.parquet("people.parquet") //data frame

用于写入redshift的Scala代码（取自此处 ）

parquetFile.write
.format("com.databricks.spark.redshift")
.option("url", "jdbc:redshift://redshifthost:5439/database?user=username&password=pass")
.option("dbtable", "my_table_copy")
.option("tempdir", "s3n://path/for/temp/data")
.mode("error")
.save()