第 2 步:准备数据 - Amazon Keyspaces (for Apache Cassandra)
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅 中国的 Amazon Web Services 服务入门 (PDF)

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

第 2 步:准备数据

准备源数据以进行高效传输是一个两步过程。首先,对数据进行随机化。在第二步中,您将分析数据以确定适当的cqlsh参数值和必需的表设置。

随机化数据

这些区域有:cqlsh COPY FROM命令读取和写入数据的顺序与数据在 CSV 文件中显示的顺序相同。如果您将cqlsh COPY TO命令来创建源文件,则在 CSV 中按键排序顺序写入数据。在内部,亚马逊Keyspaces 使用分区键对数据进行分区。尽管 Amazon Keyspaces 具有内置逻辑来帮助对同一个分区键的请求进行负载均衡,但如果您随机排列顺序,加载数据会更快、更高效。这是因为您可以利用 Amazon Keyspaces 写入不同分区时发生的内置负载均衡功能。

要在各分区之间均匀分布写入,必须随机化源文件中的数据。您可以编写应用程序来执行此操作,也可以使用开源工具,例如Shuf. Shuf 可以在 Linux 发行版和 macOS 上免费获得(通过在Homebrew)和 Windows(通过使用适用于 Windows 的 Windows System m system m system m system m 在此步骤中,还需要一个额外的步骤来防止带有列名的标题行被洗牌。

要在保留标头的同时随机化源文件,请输入以下代码。

tail -n +2 keyspaces_sample_table.csv | shuf -o keyspace.table.csv && (head -1 keyspaces_sample_table.csv && cat keyspace.table.csv ) > keyspace.table.csv1 && mv keyspace.table.csv1 keyspace.table.csv

Shuf 将数据重写为一个名为的新 CSV 文件keyspace.table.csv. 您现在可以删除keyspaces_sample_table.csv文件-您不再需要它。

分析数据

通过分析数据确定平均行大小和最大行大小。

您这样做的原因如下:

  • 平均行大小有助于估计要传输的数据总量。

  • 您需要平均行大小来预置数据上传所需的写入容量。

  • 您可以确保每行的大小小于 1 MB,这是 Amazon Keyspaces 中的最大行大小。

注意

此配额是指行大小,而不是分区大小。与 Apache Cassandra 分区不同,Amazon Keyspaces 分区的大小实际上可以解除绑定。分区键和聚类列需要额外的元数据存储空间,您必须将其添加到行的原始大小中。有关更多信息,请参阅 计算亚马逊 Keyspaces 中的行大小

以下代码使用AWK来分析 CSV 文件并打印平均行大小和最大行大小。

awk -F, 'BEGIN {samp=10000;max=-1;}{if(NR>1){len=length($0);t+=len;avg=t/NR;max=(len>max ? len : max)}}NR==samp{exit}END{printf("{lines: %d, average: %d bytes, max: %d bytes}\n",NR,avg,max);}' keyspace.table.csv

运行此代码将生成以下输出。

using 10,000 samples: {lines: 10000, avg: 123 bytes, max: 225 bytes}

在本教程的下一步中,您将使用平均行大小来预置表的写入容量。