在 Athena 中查询

Data Pump 会把结果编目到 Glue Data Catalog 中。任何能读取该目录的工具——Athena、 Redshift Spectrum、EMR、Spark——都能看到这些表。

表是如何呈现的

表名由数据库名和表名组成，并应用你配置的别名：

数据库中	数据湖中	Athena 中
`pagila` / `public.payment`	`pagila.payment`	`pagila_payment`
配置别名 `vendas` / `pagamentos` 后	`vendas.pagamentos`	`vendas_pagamentos`

public schema 会被去掉，其他 schema 则保留。

查询

SELECT customer_id, sum(CAST(amount AS DECIMAL(10,2))) AS total
  FROM datalake.vendas_pagamentos
 WHERE ano = 2024 AND mes = 3
 GROUP BY customer_id
 ORDER BY total DESC
 LIMIT 20;

真正影响成本的是针对分区列的 WHERE：没有它，Athena 会读取整张表。

数据类型

RDS 导出会把不少列输出为文本，包括日期和小数。这是导出格式本身的行为，与 Data Pump 无关。

-- 日期
CAST(payment_date AS TIMESTAMP)

-- 小数
CAST(amount AS DECIMAL(10,2))

如果某个 CAST 每次都要用到，不妨在分区配置中增加一个 额外列：它在接入时计算一次，到达 Athena 时就已经是转换好的结果。

查看有哪些数据

控制台的 Datalake（数据湖）页面会列出已编目的表，包含字段、类型、行数以及每张表的来源。当你只是想知道有哪些数据时，这比通过 Athena 查询目录更快。