Análisis de tablas en DynamoDB

Una operación Scan en Amazon DynamoDB lee todos los elementos de una tabla o de un índice secundario. De manera predeterminada, una operación Scan devuelve todos los atributos de datos de todos los elementos de la tabla o el índice. Puede utilizar el parámetro ProjectionExpression para que Scan solo devuelva algunos de los atributos, en lugar de todos ellos.

Scan siempre devuelve un conjunto de resultados. Si no se encuentran elementos coincidentes, el conjunto de resultados está vacío.

En una sola solicitud Scan se puede recuperar un máximo de 1 MB de datos. Si lo desea, DynamoDB puede aplicar una expresión de filtro a estos datos, para reducir los resultados antes de que se devuelvan al usuario.

Expresiones de filtro para el análisis

Si tiene que refinar más los resultados de Scan, si lo desea puede indicar una expresión de filtro. Una expresión de filtro determina qué elementos de los resultados de Scan se deben devolver al usuario. Todos los demás resultados se descartan.

Una expresión de filtro se aplica después de que la operación Scan haya finalizado, pero antes de devolver los resultados. Por consiguiente, Scan consume la misma cantidad de capacidad de lectura aunque se especifique una expresión de filtro.

En una operación Scan se puede recuperar un máximo de 1 MB de datos. Este límite se aplica antes de evaluar la expresión de filtro.

Con Scan, puede especificar cualquier atributo en una expresión de filtro, incluidos los atributos de clave de partición y de clave de ordenación.

La sintaxis de una expresión de filtro es la misma que la de una expresión de condición. Las expresiones de filtro pueden utilizar los comparadores, funciones y operadores lógicos que las expresiones de condición. Consulte Expresiones, operadores y funciones de condición y filtro en DynamoDB para obtener más información sobre operadores lógicos.

ejemplo

En el siguiente ejemplo de la AWS Command Line Interface (AWS CLI) se examina la tabla Thread y solo se devuelven los últimos elementos publicados por un usuario determinado.

aws dynamodb scan \
     --table-name Thread \
     --filter-expression "LastPostedBy = :name" \
     --expression-attribute-values '{":name":{"S":"User A"}}'

Limitación del número de elementos del conjunto de resultados

La operación Scan permite limitar el número de elementos que devuelve en el resultado. Para ello, establezca el parámetro Limit en el número máximo de elementos que desea que devuelva la operación Scan, antes de la evaluación de la expresión de filtro.

Por ejemplo, suponga que utiliza la operación Scan en una tabla con un valor de Limit de 6 y sin expresión de filtro. El resultado de Scan contiene los seis primeros elementos de la tabla.

Ahora, suponga que agrega una expresión de filtro a Scan. En este caso, DynamoDB aplica la expresión de filtro a los seis elementos que se hayan devuelto y descarta los que no coincidan. El resultado de Scan final contendrá 6 elementos o menos, según el número de elementos que el filtro elimine.

Paginación de los resultados

DynamoDB pagina los resultados de las operaciones Scan. La paginación permite dividir los resultados de Scan en "páginas" de datos con un tamaño de 1 MB (o menos). Una aplicación puede procesar la primera página de resultados, luego la segunda página, y así sucesivamente.

Una operación Scan única devuelve solamente un conjunto de resultados que se ajuste al límite de tamaño de 1 MB.

Para determinar si hay más resultados y para recuperarlos de página en página, las aplicaciones deben hacer lo siguiente:

1. Examinar el resultado de Scan de bajo nivel:

   • Si el resultado contiene una entrada LastEvaluatedKey, vaya al paso 2.

   • Si no figura LastEvaluatedKey en el resultado, no hay más elementos que recuperar.

2. Crear una nueva solicitud Scan con los mismos parámetros que la anterior. Sin embargo, esta vez, se toma el valor LastEvaluatedKey del paso 1 y se usa como parámetro ExclusiveStartKey en la nueva solicitud Scan.

3. Ejecutar la nueva solicitud Scan.

4. Ir al paso 1.

Es decir, el valor de LastEvaluatedKey de la respuesta de Scan debe utilizarse como valor de ExclusiveStartKey en la siguiente solicitud Scan. Si no hay un componente LastEvaluatedKey en una respuesta de Scan, significa que se ha recuperado la última página de resultados. La ausencia de LastEvaluatedKey es la única forma de saber que se ha alcanzado el final del conjunto de resultados.

Puede utilizar la AWS CLI para ver este comportamiento. La AWS CLI envía solicitudes Scan de bajo nivel a DynamoDB una y otra vez hasta que LastEvaluatedKey ya no esté presente en los resultados. Considere el siguiente ejemplo de la AWS CLI que examina toda la tabla Movies, pero solo devuelve las películas de un determinado género.

aws dynamodb scan \
    --table-name Movies \
    --projection-expression "title" \
    --filter-expression 'contains(info.genres,:gen)' \
    --expression-attribute-values '{":gen":{"S":"Sci-Fi"}}' \
    --page-size 100  \
    --debug

Normalmente, la AWS CLI se encarga de la paginación automáticamente. No obstante, en este ejemplo, el parámetro --page-size de la AWS CLI limita el número de elementos por página. El parámetro --debug muestra información de bajo nivel de las solicitudes y las respuestas.

nota

Los resultados de paginación también diferirán en función de los parámetros de entrada que pase.

• El uso de aws dynamodb scan --table-name Prices --max-items 1 devuelve un NextToken

• El uso de aws dynamodb scan --table-name Prices --limit 1 devuelve un LastEvaluatedKey.

También tenga en cuenta que usar un --starting-token en particular requiere el valor de NextToken.

Si ejecuta el ejemplo, la primera respuesta de DynamoDB será similar a la siguiente.

2017-07-07 12:19:14,389 - MainThread - botocore.parsers - DEBUG - Response body:
b'{"Count":7,"Items":[{"title":{"S":"Monster on the Campus"}},{"title":{"S":"+1"}},
{"title":{"S":"100 Degrees Below Zero"}},{"title":{"S":"About Time"}},{"title":{"S":"After Earth"}},
{"title":{"S":"Age of Dinosaurs"}},{"title":{"S":"Cloudy with a Chance of Meatballs 2"}}],
"LastEvaluatedKey":{"year":{"N":"2013"},"title":{"S":"Curse of Chucky"}},"ScannedCount":100}'

El elemento LastEvaluatedKey de la respuesta indica que no se han recuperado todos los elementos. La AWS CLI envía entonces otra solicitud Scan a DynamoDB. Este patrón de solicitud y respuesta continúa hasta la respuesta final.

2017-07-07 12:19:17,830 - MainThread - botocore.parsers - DEBUG - Response body:
b'{"Count":1,"Items":[{"title":{"S":"WarGames"}}],"ScannedCount":6}'

La ausencia de LastEvaluatedKey indica que no hay más elementos que recuperar.

nota

Los SDK de AWS se encargan también de las respuestas de DynamoDB de bajo nivel (incluida la presencia o ausencia de LastEvaluatedKey) y proporcionan varias abstracciones para paginar los resultados de Scan. Por ejemplo, la interfaz de documentos de SDK para Java proporciona compatibilidad con java.util.Iterator para que pueda examinar los resultados de uno en uno.

Para ver ejemplos de código en diversos lenguajes de programación, consulte la Guía de inicio de Amazon DynamoDB y la documentación del SDK de AWS correspondiente a su lenguaje.

Recuento de los elementos en los resultados

Además de los elementos que coinciden con los criterios, la respuesta de Scan contiene las entradas siguientes:

• ScannedCount: El número de elementos evaluados, antes de que se aplique cualquier ScanFilter. Un valor de ScannedCount elevado, con pocos resultados de Count o ninguno indica que la operación Scan ha sido ineficiente. Si no ha utilizado un filtro en la solicitud, ScannedCount es igual que Count.

• Count: El número de elementos restantes después de aplicar una expresión de filtro (si la hay).

nota

Si no se utiliza una expresión de filtro, ScannedCount y Count tendrán el mismo valor.

Si el tamaño del conjunto de resultados de Scan es mayor que 1 MB, entonces ScannedCount y Count representarán únicamente un recuento parcial de los elementos totales. Deberá llevar a cabo varias operaciones Scan para recuperar todos los resultados (consulte Paginación de los resultados).

Cada respuesta de Scan contendrá los valores de ScannedCount y Count de los elementos que se han procesado en esa solicitud Scan concreta. Para obtener totales globales para todas las solicitudes Scan, puede llevar un recuento total de ScannedCount y Count.

Unidades de capacidad que consume el análisis

Puede utilizar la operación Scan en cualquier tabla o índice secundario. Las operaciones Scan consumen las unidades de capacidad de lectura, como se indica a continuación.

Si Scan se aplica a...	DynamoDB consume unidades de capacidad de lectura de...
Tabla	La capacidad de lectura aprovisionada de la tabla.
Índice secundario global	La capacidad de lectura aprovisionada del índice.
Índice secundario local	La capacidad de lectura aprovisionada de la tabla base.

De forma predeterminada, una operación Scan no devuelve datos sobre la cantidad de capacidad de lectura que consume. Sin embargo, puede especificar el parámetro ReturnConsumedCapacity en una solicitud Scan para obtener esta información. A continuación se muestran los ajustes válidos de ReturnConsumedCapacity:

• NONE: no se devuelven datos de capacidad consumida. (Esta es la opción predeterminada.)

• TOTAL: la respuesta incluye el número total de unidades de capacidad de lectura consumidas.

• INDEXES: la respuesta muestra el número total de unidades de capacidad de lectura consumidas, así como la capacidad consumida de cada tabla e índice a los que se ha obtenido acceso.

DynamoDB calcula el número de unidades de capacidad de lectura consumidas según el número de elementos y el tamaño de dichos elementos, no según la cantidad de datos que se devuelven a una aplicación. Por este motivo, el número de unidades de capacidad consumidas es el mismo si se solicitan todos los atributos (el comportamiento predeterminado) o solo algunos de ellos (mediante una expresión de proyección). El número también es el mismo tanto si se utiliza una expresión de filtro como si no. Scanconsume una unidad de capacidad de lectura mínima para realizar una lectura altamente coherente por segundo o dos lecturas coherentes posteriores por segundo para un elemento de hasta 4 KB. Para leer un elemento mayor que 4 KB, DynamoDB necesita unidades de solicitud de lectura adicionales. Con las tablas vacías y las tablas muy grandes con una cantidad escasa de claves de partición, es posible que se cobren algunas RCU adicionales además de la cantidad de datos analizados. Esto cubre el costo de atender la solicitud Scan, incluso si no hay datos.

Coherencia de lectura para el análisis

De forma predeterminada, una operación Scan lleva a cabo lecturas consistentes finales. Esto significa que los resultados de Scan podrían no reflejar los cambios provocados por operaciones PutItem o UpdateItem realizadas recientemente. Para obtener más información, consulte Coherencia de lectura de DynamoDB.

Si requiere lecturas de consistencia alta desde el momento en que se inicie la operación Scan, establezca el parámetro ConsistentRead en true en la solicitud Scan. De este modo, se asegurará de que todas las operaciones de escritura que se han completado antes de iniciar Scan se incluyan en la respuesta de Scan.

Establecer ConsistentRead en true puede resultar útil para realizar backup o replicaciones de tablas, combinado con DynamoDB Streams. En primer lugar, se utiliza Scan con ConsistentRead establecido en true para obtener una copia consistente de los datos de la tabla. Durante la operación Scan, DynamoDB Streams registra la actividad de escritura adicional que se produce en la tabla. Una vez que la operación Scan ha finalizado, puede aplicar la actividad de escritura de la secuencia a la tabla.

nota

Una operación Scan con ConsistentRead establecido en true consumirá el doble de unidades de capacidad de lectura que si ConsistentRead se deja establecido en su valor predeterminado (false).

Análisis paralelo

De forma predeterminada, la operación Scan procesa los datos secuencialmente. Amazon DynamoDB devuelve los datos a la aplicación en incrementos de 1 MB y una aplicación lleva a cabo operaciones Scan adicionales para recuperar la siguiente franja de 1 MB de datos.

Cuanto mayor es la tabla o el índice que se analiza, más tiempo tarda Scan en completarse. Además, puede que una operación Scan secuencial no consiga siempre utilizar plenamente la capacidad de rendimiento de lectura aprovisionada. Esto se debe a que, aunque DynamoDB distribuye los datos de las tablas grandes entre varias particiones físicas, una operación Scan solo puede leer una partición a la vez. Por este motivo, el desempeño de una operación Scan se ve restringido por el desempeño máximo de cada partición individual.

Para abordar estos problemas, la operación Scan puede dividir una tabla o un índice secundario lógicamente en varios segmentos, de tal forma que varios procesos de trabajo de la aplicación puedan examinarlos en paralelo. Cada proceso de trabajo puede ser un subproceso (en los lenguajes de programación que admiten la ejecución de múltiples subprocesos) o un proceso del sistema operativo. Para llevar a cabo un examen en paralelo, cada proceso de trabajo emite su propia solicitud Scan con los siguientes parámetros:

• Segment segmento que un proceso de trabajo concreto examinará. Cada proceso de trabajo debe utilizar un valor diferente de Segment.

• TotalSegments número total de segmentos del examen en paralelo. Este valor debe ser el mismo que el número de procesos de trabajo que la aplicación va a utilizar.

En el siguiente diagrama se muestra cómo una aplicación de ejecución multiproceso realiza una operación Scan en paralelo con tres grados de paralelismo.

En este diagrama, la aplicación crea tres subprocesos y asigna un número a cada uno de ellos. Los segmentos parten de cero, de modo que el primer número siempre es 0. Cada subproceso emite una solicitud Scan y establece el valor de Segment en el número designado y el valor de TotalSegments, en 3. Cada subproceso examina su segmento designado, recupera datos en franjas de 1 MB a la vez y devuelve los datos al subproceso principal de la aplicación.

Los valores de Segment y TotalSegments se aplican a las solicitudes Scan individuales; puede utilizar valores diferentes en cualquier momento. Es posible que tenga que experimentar con estos valores y con el número de procesos de trabajo utilizados hasta lograr el desempeño óptimo de la aplicación.

nota

Un examen en paralelo con un gran número de procesos de trabajo puede consumir fácilmente todo el rendimiento aprovisionado de la tabla o el índice que se examina. Es preferible evitar este tipo de exámenes si la tabla o el índice también llevan a cabo una intensa actividad de lectura o escritura de otras aplicaciones.

Para controlar la cantidad de datos devueltos por cada solicitud, utilice el parámetro Limit. Esto puede ayudar a evitar situaciones en las que un proceso de trabajo consume todo el desempeño provisionado a costa de todos los demás procesos de trabajo.