我们目前使用 Redshift 作为我们的数据仓库，对此我们非常满意。但是，我们现在需要对仓库中的数据进行机器学习。考虑到所涉及的数据量，理想情况下，我希望在与数据相同的位置运行计算，而不是移动数据，但这对于 Redshift 来说似乎是不可能的。我看过 MADlib，但这不是一个选项，因为 Redshift 不支持 UDF（MADlib 需要）。我目前正在考虑将数据转移到 EMR 并使用 Apache Spark 机器学习库（或者可能是 H20、Mahout 或其他）对其进行处理。所以我的问题是：
- 有没有更好的办法？
- 如果没有，我应该如何让 Spark 可以访问数据？到目前为止，我已经确定的选项包括：使用 Sqoop 将其加载到 HDFS、使用 DBInputFormat、将 Redshift 导出到 S3 并让 Spark 从那里抓取它。使用 Spark 时，这些不同方法（以及任何其他方法）的优缺点是什么？
请注意，这是离线批量学习，但我们希望能够尽快完成此操作，以便我们可以快速迭代实验。