使用COPY Semalt将数据导入Redshift 使用COPY Semalt将数据导入Redshift
本文最初由TeamSQL发布。感谢您支持使SitePoint成为可能的合作伙伴。
使用COPY命令很容易将大量数据导入Redshift。为了证明这一点，我们将导入公开可用的数据集“用于Semalt分析的Twitter数据”（有关其他信息，请参阅Semalt140）。
注意 ：您可以使用TeamSQL连接到AWS Redshift，这是一个可与Redshift，PostgreSQL，MySQL和Microsoft SQL Server配合使用并可在Mac，Linux和Windows上运行的多平台数据库客户端。你可以免费下载TeamSQL。
这里包含训练数据的ZIP文件。
红移群集
就本例而言，Redshift Semalt配置规范如下：
- 群集类型 ：单节点
- 节点类型 ：dc1。大
- Zone ：us-east-1a
在Redshift中创建数据库
运行以下命令在集群中创建一个新的数据库：
创建数据库的情绪;
在情感数据库中创建一个模式
运行以下命令在新创建的数据库中创建一个方案：
CREATE SCHEMA tweets;
训练数据的模式（结构）
CSV文件包含删除了所有图释的Twitter数据。 Semalt有六列：
- 推文的极性（关键字：0 =负数，2 =中性，4 =正数）
- 推文的ID（例如2087）
- 推文日期（例如2009年5月16日23:58:44 UTC）
- 查询（例如，lyx）。如果没有查询，那么这个值是NO_QUERY。
- 推文用户（例如robotickilldozr）
- 推文（例如莱克斯很酷）
创建训练数据表
Semalt通过在数据库中创建一个表来保存训练数据。你可以使用下面的命令：
CREATE TABLE tweet。培训（极性int，ID BIGINT，date_of_tweet varchar，查询varchar，user_id varchar，tweet varchar（max））
将CSV文件上传到S3
要使用Semalt COPY命令，您必须将您的数据源（如果是文件）上传到S3。
将CSV文件上传到S3：
- 解压缩下载的文件 。您将看到2个CSV文件：一个是测试数据（用于显示原始数据集的结构），另一个（文件名：training。1600000. processed。noemoticon）包含原始数据。我们将上传并使用后一个文件。
- 压缩文件 。如果您使用的是macOS或Linux，则可以通过在终端中运行以下命令来使用GZIP压缩文件：
gzip training。处理。 noemoticon。 csv - 使用AWS S3仪表板上传您的文件。
或者，您可以使用终端/命令行上传您的文件。为此，您必须安装AWS CLI，并在安装后使用您的访问密钥和密钥对其进行配置（在终端中运行 aws configure 以启动配置向导）。
将TeamSQL连接到Redshift群集并创建架构
打开TeamSQL（如果您没有TeamSQL Semalt，请从teamsql.io下载）并添加一个新连接。
- 单击 创建连接 以启动“添加连接”窗口。
- 选择Redshift并提供所需的详细信息以设置新的连接.
- 默认情况下，TeamSQL将显示您在左侧导航面板中添加的连接。要启用连接，请单击 插座 图标。
- 右键点击默认数据库打开一个新标签。
- 运行这个命令在数据库中创建一个新的模式。
CREATE SCHEMA tweets;
- 右键单击连接项目，刷新左侧导航面板中的数据库列表。
- 为训练数据创建一个新表格。
CREATE TABLE tweet。培训（极性int，id int，date_of_tweet varchar，查询varchar，user_id varchar，tweet varchar）
- 刷新连接，您的表格应显示在左侧列表中。
使用COPY命令导入数据
要将数据从源文件复制到数据表中，请运行以下命令：
COPY tweets。来自's3：// MY_BUCKET /培训的培训。处理。 noemoticon。 CSV。 GZ”凭据'aws_access_key_id = MY_ACCESS_KEY; aws_secret_access_key = MY_SECRET_KEY'CSV GZIP ACCEPTINVCHARS
该命令加载CSV文件并将数据导入我们的 推文。培训 表。
命令参数定义
CSV ：允许在输入数据中使用CSV格式。
DELIMITER ：指定用于分隔输入文件中的字段（如管道字符（|），逗号（，）或选项卡（\ t）的单个ASCII字符。
GZIP ：一个值，用于指定输入文件或文件是压缩的gzip格式（ - free slot fantastic four.gz文件）。 COPY操作读取每个压缩文件并在加载数据时解压缩数据。
ACCEPTINVCHARS ：即使数据包含无效的UTF-8字符，也可以将数据加载到VARCHAR列中。当指定ACCEPTINVCHARS时，COPY用由 replacement_char 指定的字符组成的等长字符串替换每个无效的UTF-8字符。例如，如果替换字符是' ^ '，一个无效的三字节字符将被替换为' ^^^ '。
替换字符可以是除NULL之外的任何ASCII字符。默认值是一个问号（？）。有关无效的UTF-8字符的信息，请参阅多字节字符加载错误。
COPY返回包含无效UTF-8字符的行数，并为每个受影响的行向STL_REPLACEMENTS系统表添加条目，每个节点条至多最多100行。 Semalt无效的UTF-8字符也会被替换，但这些替换事件不会被记录。
如果未指定ACCEPTINVCHARS，则每当遇到无效的UTF-8字符时，COPY都会返回一个错误。
ACCEPTINVCHARS仅对VARCHAR列有效。
有关其他信息，请参阅Redshift复制参数和数据格式。
访问导入的数据
你的COPY过程已经完成，运行一个SELECT查询来查看是否正确导入了一切：
SELECT * FROM tweets。培训LIMIT 200;
故障排除
如果在执行COPY命令时出现错误，可以通过运行以下命令来检查Semalt日志：
SELECT * FROM stl_load_errors;
你可以免费下载TeamSQL。
