使用 Amazon Glue 来调度 Amazon Redshift 跑 TPC-DS Benchmark

Amazon Redshift是亚马逊云科技的数据仓库产品，可以运用于各种不同的大数据场景中，实际场景中往往有一些复杂的任务依赖和性能的不确定性。本博客提供CDK代码，其中会生成Cloudformation模版搭建一个简单的环境，包括一个Redshift集群，一个Glue Workflow(见下图)包含建立Redshift表、加载TPC-DS数据到表、顺序运行TPC-DS 99个查询和并行运行TPC-DS 99个查询任务。用户需要先自行生成TPC-DS数据到S3以‘｜’分隔的CSV文件。然后把S3路径提供给Cloudformation，运行完后会生成测试报告到S3。

本博客可用来：

自动化部署Redshift各种测试的环境
使用Glue Workflow来调度Redshift SQL的示例

运行CDK部署Cloudformation创建环境

前置要求

下载并安装CDK环境，以便运行CDK CLI CDK website
使用TPC-DS 生成数据并保存在S3上以 ‘|’ 分隔CSV格式（注意：S3数据和Cloudformation需要在一个区域）
由于CDK里面包含S3桶，所以需要CDK boostrap 命令如：cdk bootstrap

运行CDK CLI部署环境

下载CDK代码并在 RedshiftBenchmark 路径下运行CDK CLI列举当前可部署的Stack

$ cdk ls

会返回以下可部署的Stack

repository                          # S3 桶用来存储材料
vpc-stack                           # VPC用来放Redshift
redshift-stack                      # Redshift 集群
benchmark-workflow                  # Glue workflow包含Redshift压测任务

使用CDK CLI 部署Cloudformations使用默认参数

$ cdk deploy benchmark-workflow

如果需要部署自定义参数，例子如下

$ cdk deploy benchmark-workflow \
--parameters benchmark-workflow:numRuns=2 \
--parameters benchmark-workflow:parallel=100

所有可以修改的参数，其中benchmark-workflow:tpcdsDataPath是需要自定义的，其他都可以选择默认：

benchmark-workflow:tpcdsDataPath (Required)存储TPCDS的S3路径，默认是 s3://redshift-downloads/TPC-DS/2.13/3TB/（桶在us-east-1，只有us-east-1能直接部署）
redshift-stack:rsInstanceType Redshift节点类型，默认ra3.xlplus
redshift-stack:rsSize Redshift 集群大小，默认是 2
redshift-stack:username Redshift super user 用户名，默认是 admin
redshift-stack:password Redshift super user 密码，默认是 Admin1234
benchmark-workflow:parallel 并行测试的并行度，默认是 10
benchmark-workflow:numRuns 测试的轮次，默认是 2
benchmark-workflow:numFiles 需要测试的SQL个数，一共有99个但不一定需要全部测试，默认是 99

运行Glue Workflow来运行Redshift任务

到Amazon Glue的控制台的workflow中可以看到名字为redshift-benchmark的workflow如下，可以直接运行整个workflow也可以到Job页面运行单个Job，以下会逐一介绍如何运行单个任务。

运行Glue建表和导入任务

到Glue的控制台，在Job页面找到名字为tpcds-benchmark-create-tables和tpcds-benchmark-load-tables任务，前者是建表任务，后者是使用copy从S3加载数据（S3需要已经有数据）。之前的CDK已经把TPC-DS的DDL、导入copy命令和99个查询放在S3里面，路径也自动的更新到Glue Job的传入参数上面，可以直接运行。也可以修改传入参数运行自定义的SQL。

运行Glue顺序查询测试

到Glue的控制台，在Job页面找到名字为tpcds-benchmark-sequential-report任务，本任务会使用循环顺序的执行99个TPC-DS查询（可通过修改CDK参数或者Glue Job作业参数来自定义）。执行完成后执行每个语句的运行时间会输出到Glue Job日志和CDK默认生成的S3桶中（prefix为report/）。

可修改的作业参数如下：

运行Glue并行查询测试

到Glue的控制台，在Job页面找到名字为tpcds-benchmark-concurrent-report任务，本任务会使用benchmark-workflow:parallel（或者Glue Job –parallel_level ）参数指定的数值来并发的运行查询，顺序的执行每次并发。比如parallel为10，查询个数为99，则本任务会先同时提交1-10查询，运行完后再同时提交11-20查询依次进行。执行完成后执行每个语句的运行时间会输出到Glue Job日志和CDK默认生成的S3桶中（prefix为report/）。也可以通过修改CDK或者Glue Job的参数来自定义，可修改的作业参数参照顺序查询测试截图。

检查测试结果

当Glue测试任务完成后，有两种方式可以拿到测试报告：

Glue Job控制台里可以看到 tpcds-benchmark-sequential-report, tpcds-benchmark-concurrent-report 任务的日志
CDK创建的S3 路径例如： s3://repository-s3xxx/report/

自定义或拓展测试

本CDK生成的环境可以作为一个初始环境，基于本环境可以再深入自定义。比如：

CDK中的redshift_scripts/路径可以替换成自己的DDL或者查询来跑自定义压测
CDK具有传入参数，可以通过修改传入参数自定义环境
Glue Job也有独立的参数可以修改，可以用来跑自定义的查询
CDK有三个不同的Cloudformation Stack，他们之间有依赖关系，但也可以单独部署，可以通过修改CDK中的app.py 来自定义环境

亚马逊AWS官方博客