第 2 步:准备数据 - Amazon Keyspaces(针对 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

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

准备源数据以实现有效传输是一个两步过程。首先,你对数据进行随机化。在第二步中,您可以分析数据以确定合适的cqlsh参数值和所需的表设置。

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 CSV 文件中显示的顺序相同。如果您将cqlsh COPY TO命令创建源文件,则数据按照 CSV 中的按键排序顺序写入。在内部,Amazon 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平衡对同一分区键的请求进行负载平衡,但如果您随机化订单,则加载数据会更快、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。

要在分区中均匀分布写入操作,必须随机化源文件中的数据。你可以编写应用程序来执行此操作,也可以使用开源工具,例如舒夫. Shuf 可以在 Linux 发行版、macOS 上免费使用(通过在自制在 Windows 上(通过使用适用于 Linux 的 Windows 子系统 (WSL))。还需要一个额外的步骤来防止包含列名的标题行在此步骤中被洗牌。

要在保留标头的同时随机化源文件,请输入以下代码。

tail +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。

  • 您需要平均行大小才能配置数据上传所需的写入容量。

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

注意

此配额指的是行大小,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。分区键和群集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以分析 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

运行此代码将产生以下输出。

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

您可以在本教程的下一步中使用平均行大小来配置表的写入容量。