[Tips] Amazon Athena 6億レコードのサンプルデータ「SSB」を準備する

[Tips] Amazon Athena 6億レコードのサンプルデータ「SSB」を準備する

#AWS
#Amazon Athena
#Amazon S3
石川覚

石川覚

facebook logohatena logotwitter logo
Clock Icon2024.11.10

AWS事業本部コンサルティング部の石川です。これまで数多くの技術検証ブログを書いてきましたが、今日は、その中でよく使うサンプルデータ「SSB」があります。中でもlineorderテーブルは6億レコードあり、それを囲むスタースキーマ構成のデータは検証には欠かせないものです。今日は、そのAmazon Athenaでサンプルデータ「SSB」を使えるようにする方法をご紹介します。

SSB サンプルデータとは？

SSB (Star Schema Benchmark) サンプルデータは、データウェアハウスのパフォーマンステストや機能デモンストレーションに広く使用されるベンチマークデータセットです。以下にSSBサンプルデータの主な特徴をまとめます。

データ構造

  • スタースキーマモデルに基づいています。
  • 主に5つのテーブルで構成されています。
    • LINEORDER (ファクトテーブル)
    • CUSTOMER (ディメンションテーブル)
    • PART (ディメンションテーブル)
    • SUPPLIER (ディメンションテーブル)
    • DWDATE (ディメンションテーブル)

ER図

ssb-sample-data-for-amazon-athena

データ量

  • LINEORDERテーブルは約6億行、約30GB（圧縮）のデータを含む大規模なファクトテーブルです。
  • その他のディメンションテーブルも数百万行のデータを含んでいます。

用途

  • データウェアハウスのパフォーマンステスト
  • 複数テーブルのJOINクエリのパフォーマンス評価
  • データベース製品やクラウドサービスの機能デモンストレーション
  • ETLおよびELTプロセスの設計パターンの検証

特徴

  • TPC-Hをベースに簡略化されたスタースキーマデータを提供しています。
  • Amazon RedshiftやOracle Autonomous Databaseなど、様々なデータベース製品でサポートされています。
  • データは通常、圧縮形式（例：GZIP）で提供され、S3バケットなどのクラウドストレージに保存されています。
  • 分析系クエリの実行やデータロード、アンロードなどの操作を試すのに適しています。

データのアクセス方法

AWSのオレゴンリージョン（us-west-2）のS3バケット（ s3://awssampledbuswest2/ssbgz/ ）で公開されており、認証されたユーザーがアクセスできます。以前は各リージョンにあったのですが、現在はオレゴンのみで提供されているようです。

実際に利用する場合は、Amazon Athenaと同じリージョンのS3バケットにコピーして使うことになります。以下の例では、オレゴンリージョン（us-west-2）のssbgzフォルダのデータを東京リージョン（ap-northeast-1）にAmazon Athenaが利用できるレイアウトでコピーするコマンドです。

aws s3 cp s3://awssampledbuswest2/ssbgz/customer0002_part_00.gz    s3://<your_bucket>/ssbgz/customer/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/dwdate.tbl.gz    s3://<your_bucket>/ssbgz/dwdate/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0000_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0001_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0002_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0003_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0004_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0005_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0006_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/lineorder0007_part_00.gz    s3://<your_bucket>/ssbgz/lineorder/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/part0000_part_00.gz   s3://<your_bucket>/ssbgz/part/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/part0001_part_00.gz   s3://<your_bucket>/ssbgz/part/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/part0002_part_00.gz   s3://<your_bucket>/ssbgz/part/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/part0003_part_00.gz   s3://<your_bucket>/ssbgz/part/ --source-region us-west-2 --region ap-northeast-1 --copy-props none
aws s3 cp s3://awssampledbuswest2/ssbgz/supplier.tbl_0000_part_00.gz    s3://<your_bucket>/ssbgz/supplier/ --source-region us-west-2 --region ap-northeast-1 --copy-props none

以下のような構成でファイルが配置されます。

% aws s3 ls s3://<your_bucket>/ssbgz/ --recursive --profile ishikawa
2024-11-10 22:52:13  105338147 ssbgz/customer/customer0002_part_00.gz
2024-11-10 22:52:19      25239 ssbgz/dwdate/dwdate.tbl.gz
2024-11-10 22:52:20 3371631839 ssbgz/lineorder/lineorder0000_part_00.gz
2024-11-10 22:54:10 3371582385 ssbgz/lineorder/lineorder0001_part_00.gz
2024-11-10 22:55:39 3371613250 ssbgz/lineorder/lineorder0002_part_00.gz
2024-11-10 22:57:08 3371648328 ssbgz/lineorder/lineorder0003_part_00.gz
2024-11-10 22:58:36 3371300610 ssbgz/lineorder/lineorder0004_part_00.gz
2024-11-10 23:00:05 3371302892 ssbgz/lineorder/lineorder0005_part_00.gz
2024-11-10 23:02:06 3371731806 ssbgz/lineorder/lineorder0006_part_00.gz
2024-11-10 23:03:36 3371692315 ssbgz/lineorder/lineorder0007_part_00.gz
2024-11-10 23:05:27    8682594 ssbgz/part/part0000_part_00.gz
2024-11-10 23:05:31    8686135 ssbgz/part/part0001_part_00.gz
2024-11-10 23:05:34    8674736 ssbgz/part/part0002_part_00.gz
2024-11-10 23:05:37    8680668 ssbgz/part/part0003_part_00.gz
2024-11-10 23:05:40   34110217 ssbgz/supplier/supplier.tbl_0000_part_00.gz

データベースの作成

Amazon Athenaのクエリエディタで、このサンプルデータ用のデータベースを作成します。

CREATE DATABSE ssb;

テーブルの作成

Amazon Athenaのクエリエディタで、以下の5つのテーブルを順に作成します。さきほど作成したデータベースを選択することを忘れないでください。

LINEORDER

-- 600037902 records
CREATE EXTERNAL TABLE lineorder 
(
  lo_orderkey          INT,
  lo_linenumber        INT,
  lo_custkey           INT,
  lo_partkey           INT,
  lo_suppkey           INT,
  lo_orderdate         INT,
  lo_orderpriority     VARCHAR(15),
  lo_shippriority      VARCHAR(1),
  lo_quantity          INT,
  lo_extendedprice     INT,
  lo_ordertotalprice   INT,
  lo_discount          INT,
  lo_revenue           INT,
  lo_supplycost        INT,
  lo_tax               INT,
  lo_commitdate        INT,
  lo_shipmode          VARCHAR(10))
ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY '|' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://<your_bucket>/ssbgz/lineorder/'
TBLPROPERTIES (
  'CrawlerSchemaDeserializerVersion'='1.0', 
  'CrawlerSchemaSerializerVersion'='1.0', 
  'UPDATED_BY_CRAWLER'='lineorder', 
  'areColumnsQuoted'='false', 
  'classification'='csv', 
  'columnsOrdered'='true', 
  'compressionType'='gzip', 
  'delimiter'='|', 
  'typeOfData'='file')

CUSTOMER

-- 3000000 records
CREATE EXTERNAL TABLE `customer`(
  c_custkey      INT,
  c_name         VARCHAR(25),
  c_address      VARCHAR(25),
  c_city         VARCHAR(10),
  c_nation       VARCHAR(15),
  c_region       VARCHAR(12),
  c_phone        VARCHAR(15),
  c_mktsegment   VARCHAR(10))
ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY '|' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://<your_bucket>/ssbgz/customer/'
TBLPROPERTIES (
  'CrawlerSchemaDeserializerVersion'='1.0', 
  'CrawlerSchemaSerializerVersion'='1.0', 
  'UPDATED_BY_CRAWLER'='customer', 
  'areColumnsQuoted'='false', 
  'classification'='csv', 
  'columnsOrdered'='true', 
  'compressionType'='gzip', 
  'delimiter'='|', 
  'typeOfData'='file')

PART

-- 350024 records
CREATE EXTERNAL TABLE part 
(
  p_partkey     INT,
  p_name        VARCHAR(22) ,
  p_mfgr        VARCHAR(6),
  p_category    VARCHAR(7) ,
  p_brand1      VARCHAR(9) ,
  p_color       VARCHAR(11) ,
  p_type        VARCHAR(25) ,
  p_size        INT,
  p_container   VARCHAR(10))
ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY '|' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://<your_bucket>/ssbgz/part/'
TBLPROPERTIES (
  'CrawlerSchemaDeserializerVersion'='1.0', 
  'CrawlerSchemaSerializerVersion'='1.0', 
  'UPDATED_BY_CRAWLER'='part', 
  'areColumnsQuoted'='false', 
  'classification'='csv', 
  'columnsOrdered'='true', 
  'compressionType'='gzip', 
  'delimiter'='|', 
  'typeOfData'='file')

SUPPLIER

-- 1000000 records
CREATE EXTERNAL TABLE supplier 
(
  s_suppkey   INT,
  s_name      VARCHAR(25),
  s_address   VARCHAR(25),
  s_city      VARCHAR(10),
  s_nation    VARCHAR(15),
  s_region    VARCHAR(12),
  s_phone     VARCHAR(15))
ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY '|' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://<your_bucket>/ssbgz/supplier/'
TBLPROPERTIES (
  'CrawlerSchemaDeserializerVersion'='1.0', 
  'CrawlerSchemaSerializerVersion'='1.0', 
  'UPDATED_BY_CRAWLER'='supplier', 
  'areColumnsQuoted'='false', 
  'classification'='csv', 
  'columnsOrdered'='true', 
  'compressionType'='gzip', 
  'delimiter'='|', 
  'typeOfData'='file')

DWDATE

-- 2556 records
CREATE EXTERNAL TABLE dwdate 
(
  d_datekey            INT ,
  d_date               VARCHAR(19),
  d_dayofweek          VARCHAR(10),
  d_month              VARCHAR(10),
  d_year               INT,
  d_yearmonthnum       INT,
  d_yearmonth          VARCHAR(8),
  d_daynuminweek       INT,
  d_daynuminmonth      INT,
  d_daynuminyear       INT,
  d_monthnuminyear     INT,
  d_weeknuminyear      INT,
  d_sellingseason      VARCHAR(13),
  d_lastdayinweekfl    VARCHAR(1),
  d_lastdayinmonthfl   VARCHAR(1),
  d_holidayfl          VARCHAR(1),
  d_weekdayfl          VARCHAR(1))
ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY '|' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://<your_bucket>/ssbgz/dwdate/'
TBLPROPERTIES (
  'CrawlerSchemaDeserializerVersion'='1.0', 
  'CrawlerSchemaSerializerVersion'='1.0', 
  'UPDATED_BY_CRAWLER'='dwdate', 
  'areColumnsQuoted'='false', 
  'classification'='csv', 
  'columnsOrdered'='true', 
  'compressionType'='gzip', 
  'delimiter'='|', 
  'typeOfData'='file')

最後に

SSBサンプルデータは、データウェアハウスやビッグデータ分析の分野で、製品やサービスの性能評価やデモンストレーションに広く活用されている標準的なデータセットです。今回利用したデータファイルは、Amazon Redshift用のデータをAmazon Athenaに流用しました。私はこのデータをそのままではなく、更に様々なデータ型やフォーマットのデータを作成して利用しています。

実際のビジネスシナリオを模した現実的なデータ構造と十分な量のデータを提供しているため、様々なデータ処理や分析タスクの検証に適しています。

参考文献

https://docs.aws.amazon.com/ja_jp/redshift/latest/dg/tutorial-loading-data.html

Share this article

facebook logohatena logotwitter logo

関連記事

Amplify Gen2でAppSyncのMutationを実行するLambda関数を作成してみた

Amplify Gen2でAppSyncのMutationを実行するLambda関数を作成してみた

User avatar
神野 雄大
2024.12.24
[Amazon Bedrock] 別アカウントのBedrockを呼び出す方法まとめ (LLM呼び出し、Knowledge Base-RAG、Kendra-RAG)

[Amazon Bedrock] 別アカウントのBedrockを呼び出す方法まとめ (LLM呼び出し、Knowledge Base-RAG、Kendra-RAG)

User avatar
青柳英明
2024.12.24
AWS CloudShellでnpmが動作しない時の対処法

AWS CloudShellでnpmが動作しない時の対処法

User avatar
酒井貴央
2024.12.24
ALB + EC2 Auto Scaling 環境において、中断されたプロセスで "Health Check" を設定後、バックエンドインスタンスを停止した際の ALB ターゲットグループ Healthy/UnHealthy HostCount メトリクスがどの様になるか確認してみた

ALB + EC2 Auto Scaling 環境において、中断されたプロセスで "Health Check" を設定後、バックエンドインスタンスを停止した際の ALB ターゲットグループ Healthy/UnHealthy HostCount メトリクスがどの様になるか確認してみた

User avatar
片方 裕人
2024.12.24
Classmethod's white logo
Facebook's logo
X's logo
YouTube's logo

© Classmethod, Inc. All rights reserved.