Nano Hash - криптовалюты, майнинг, программирование

Данные AWS Kinesis Firehose объединяются вместе при доставке в AWS Redshift

Я запускаю лямбду для отправки данных в Redshift через Firehose. Когда лямбда-выражение срабатывает дважды в течение небольшого промежутка времени, скажем, 1 минуты, данные сопоставляются. Это создает проблему при загрузке данных в красное смещение, и проблема заключается в обнаружении дополнительных столбцов.

например: 1-й набор данных: 1,2,3,4, 2-й набор данных: 5,6,7,8. Данные, полученные Redshift: 1,2,3,45,6,7,8

После этого, даже если лямбда-выражение сработает один раз, в Redshift не будут загружены никакие данные.

Почему это происходит? Как я могу этого избежать?

Спасибо

amazon-web-services aws-lambda amazon-redshift amazon-kinesis-firehose
08.12.2020

Ответы:


1

Вероятно, это связано с отсутствием символа конца записи в вашем коде ввода данных. Конец записи не изменяется, и это указывает на то, что это все данные для записи. Вы должны иметь в своем потоке данных.

Это не проблема, когда данные поступают с большим разбросом во времени, потому что firehose ждет только фиксированное количество времени, прежде чем отправить данные, которые у него есть, в Redshift. В этом случае достигается конец файла и предполагается конец записи.

08.12.2020
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..