2

我已按以下结构向 S3 提交报告：

s3://chum-bucket/YYYY/MM/DD/UsageReportYYYYMMDD.zip
s3://chum-bucket/YYYY/MM/DD/SearchReportYYYYMMDD.zip
s3://chum-bucket/YYYY/MM/DD/TimingReportYYYYMMDD.zip

YYYY MM DD 每天都在变化。文件名中的 YYYMMDD 在那里，因为文件在移动到 S3 之前都进入服务器上的一个目录。

我希望有 1 或 3 个爬虫，它们将 3 个表传送到目录，每种类型的报告一个。这可能吗？我似乎无法指定

s3://chum-bucket/**/UsageReport*.zip
s3://chum-bucket/**/SearchReport*.zip
s3://chum-bucket/**/TimingReport*.zip

我可以编写一个不包括 SearchReport 和 TimingReport 的爬虫，因此只爬取 UsageReport。这是最好的方法吗？

还是我必须完全重新做存储桶/文件夹/文件名设计？

4

1 回答 1

2

Amazon Redshift 会加载给定路径中的所有文件，而不考虑文件名。

Redshift 不会利用分区（Redshift Spectrum 会，但不是普通的 Redshift COPY 语句），但它会从给定路径中的任何子目录中读取文件。

因此，如果要将数据加载到单独的表（UsageReport、SearchReport、TimingReport）中，它们需要位于单独的路径（目录）中。指定目录层次结构中的所有文件必须具有相同的格式，并将通过COPY命令加载到同一个表中。

另一种方法是您可以使用清单文件指向特定文件，但这可能会变得混乱。

底线：将文件移动到单独的目录。

于 2019-06-26T03:03:54.363 回答