Amazon Redshift wird UDFs ab dem 1. November 2025 die Erstellung von neuem Python nicht mehr unterstützen. Wenn Sie Python verwenden möchten UDFs, erstellen Sie das UDFs vor diesem Datum liegende. Bestehendes Python UDFs wird weiterhin wie gewohnt funktionieren. Weitere Informationen finden Sie im Blogbeitrag
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
SUPER-Datentyp und materialisierte Ansichten
Mit Amazon Redshift können Sie materialisierte Ansichten verwenden, um die Leistung und Flexibilität von Abfragen zu verbessern, die für den SUPER-Datentyp ausgeführt werden. Mit dem SUPER-Datentyp können Sie eine Obermenge von Spalten aus den Basistabellen in einer materialisierten Ansicht speichern, sodass Sie die materialisierte Ansicht direkt abfragen können, ohne die Basistabellen zu verbinden. In den folgenden Abschnitten erfahren Sie, wie Sie materialisierte Ansichten mit dem SUPER-Datentyp in Amazon Redshift erstellen und verwenden.
Amazon Redshift unterstützt materialisierte Ansichten, die SUPER-Datentypspalten und PartiQL-Abfragen enthalten. Materialisierte Ansichten können inkrementell aktualisiert werden, wohingegen Amazon Redshift nur Daten aktualisiert, die sich in den Basistabellen seit dem letzten Aktualisierungsvorgang geändert haben. Dieser selektive Aktualisierungsansatz macht den Aktualisierungsprozess effizienter als vollständige Neuberechnungen. Weitere Hinweise zu materialisierten Ansichten finden Sie unter Materialisierte Ansichten in Amazon Redshift.
Beschleunigen von PartiQL-Abfragen
Sie können materialisierte Ansichten verwenden, um PartiQL-Abfragen zu beschleunigen, die hierarchische Daten in SUPER-Spalten navigieren und/oder deren Verschachtelung aufheben. Indem Sie eine oder mehrere materialisierte Ansichten erstellen, um die SUPER-Werte in mehrere Spalten zu zerlegen und die spaltenartige Organisation der analytischen Abfragen von Amazon Redshift zu nutzen, können Sie verschachtelte Daten im Wesentlichen extrahieren und normalisieren. Der Grad der Normalisierung hängt davon ab, wie viel Aufwand Sie bei der Umwandlung der SUPER-Daten in herkömmliche spaltenförmige Daten aufwenden.
In den folgenden Themen finden Sie Beispiele für die Aufschlüsselung oder Zerkleinerung komplexer Daten in kleinere Spalten sowie für die Erstellung skalarer Spalten aus geschredderten Daten, um die Leistung zu verbessern.
Themen
