使用boto从S3逐行读取文件？

Posted 2023-03-22

【中文标题】使用boto从S3逐行读取文件？

【英文标题】：Read a file line by line from S3 using boto?

【发布时间】：2015-04-21 12:16:35

【问题描述】：

我在 S3 中有一个 csv 文件，我正在尝试读取标题行以获取大小（这些文件是由我们的用户创建的，因此它们几乎可以是任何大小）。有没有办法使用 boto 做到这一点？我想也许我可以使用 python BufferedReader，但我不知道如何从 S3 键打开流。任何建议都会很棒。谢谢！

【问题讨论】：

key.size 不适合你吗？返回密钥大小（以字节为单位）。如果你想要标题，你也可以只流式传输第一个块，如下所示：***.com/a/7625197/786559。

【参考方案1】：

这是一个实际逐行流式传输数据的解决方案：

from io import TextIOWrapper
from gzip import GzipFile
...

# get StreamingBody from botocore.response
response = s3.get_object(Bucket=bucket, Key=key)
# if gzipped
gzipped = GzipFile(None, 'rb', fileobj=response['Body'])
data = TextIOWrapper(gzipped)

for line in data:
    # process line

【讨论】：

gzip 要求不在最初的问题中，但这正是我的用例所需要的。谢谢！

这看起来比使用外部包更简洁。遗憾的是 1）您的答案没有被检查为实际答案，并且 2）smart_open 解决方案得到了如此多的提升。

如果我们不使用GzipFile来解压它是行不通的，因为StreamingBody没有readable需要TextIOWrapper的属性

这应该是公认的答案... smart_open 似乎要慢得多：github.com/RaRe-Technologies/smart_open/issues/457 在我自己的测试文件中，使用此答案中描述的方法比使用 smart_open 快约 5 倍。这是一个超酷的库，但似乎不符合这个特定用例的标准。

【参考方案2】：

您可能会发现https://pypi.python.org/pypi/smart_open 对您的任务很有用。

来自文档：

for line in smart_open.smart_open('s3://mybucket/mykey.txt'):
    print line

【讨论】：

这容易多了！并且默认支持 gzipped 文件！

感谢分享！

费用是多少？您是否最终下载整个文件只是为了阅读几行？

使用外部库通常是不好的做法 - 您希望拥有最少的依赖项，以便轻松升级和前进。

@AmundeepSingh 是的，您只需执行 s3.get_object()，然后将 response["Body"] 传递给 io.TextIOWrapper，然后逐行读取。内存将根据设置的缓冲区保持不变。这是我如何读取压缩的 gz 文件并逐行读取它们gist.github.com/gudata/da5d0553a309836d998a56c73c60575c 这是几行代码，仅使用 python 和 boto 中的内容

【参考方案3】：

我知道这是一个非常古老的问题。

但现在，我们可以使用s3_conn.get_object(Bucket=bucket, Key=key)['Body'].iter_lines()

【讨论】：

是的，如果今天提出这个问题，那么 .iter_chunks() 就是答案 +1

iter_lines() 方法是 botocore.response 包的一部分：botocore.amazonaws.com/v1/documentation/api/latest/reference/…

【参考方案4】：

stdlib 中的codecs module 提供了一种将字节流编码为文本流的简单方法，并提供了一个生成器来逐行检索此文本。它可以毫不费力地与 S3 一起使用：

import codecs

import boto3


s3 = boto3.resource("s3")
s3_object = s3.Object('my-bucket', 'a/b/c.txt')
line_stream = codecs.getreader("utf-8")

for line in line_stream(s3_object.get()['Body']):
    print(line)

【参考方案5】：

看来 boto 有一个 read() 函数可以做到这一点。下面是一些适合我的代码：

>>> import boto
>>> from boto.s3.key import Key
>>> conn = boto.connect_s3('ap-southeast-2')
>>> bucket = conn.get_bucket('bucket-name')
>>> k = Key(bucket)
>>> k.key = 'filename.txt'
>>> k.open()
>>> k.read(10)
'This text '

对read(n) 的调用从对象返回接下来的 n 个字节。

当然，这不会自动返回“标题行”，但您可以使用足够大的数字调用它以至少返回标题行。

【讨论】：

谢谢，约翰。如果我找不到流式传输文件的方法，这将是我的后备解决方案。我只是猜测标题的最大大小，然后从那里开始。

@John Rotenstein - 你不需要在 read() 之后关闭文件吗？

【参考方案6】：

使用 boto3，您可以访问原始流并逐行读取。 请注意，由于某种原因，原始流是私有财产

s3 = boto3.resource('s3', aws_access_key_id='xxx', aws_secret_access_key='xxx')
obj = s3.Object('bucket name', 'file key')

obj.get()['Body']._raw_stream.readline() # line 1
obj.get()['Body']._raw_stream.readline() # line 2
obj.get()['Body']._raw_stream.readline() # line 3...

【讨论】：

正如_raw_stream 以下划线开头的属性所暗示的，这不是您应该访问流内容的方式。可以通过调用obj.get()["body"].read() 完整读取它们或使用obj.get()["body"].iter_lines() 作为生成器迭代

对于某些 python API，这是唯一可行的方法（例如，pickle.load 期望在其参数上同时找到 .read() 和 .readline()）

@Alex 是 obj.get()["Body"].read() 请注意正文中的大写 B

【参考方案7】：

使用boto3：

s3 = boto3.resource('s3')
obj = s3.Object(BUCKET, key)
for line in obj.get()['Body']._raw_stream:
    # do something with line

【参考方案8】：

如果您想读取具有特定存储桶前缀（即在“子文件夹”中）的多个文件（逐行），您可以这样做：

s3 = boto3.resource('s3', aws_access_key_id='<key_id>', aws_secret_access_key='<access_key>')

    bucket = s3.Bucket('<bucket_name>')
    for obj in bucket.objects.filter(Prefix='<your prefix>'):
        for line in obj.get()['Body'].read().splitlines():
            print(line.decode('utf-8'))

这里的行是字节，所以我正在解码它们；但是如果它们已经是一个字符串，你可以跳过它。

【参考方案9】：

读取文件最动态且成本最低的方法是读取每个字节，直到找到所需的行数。

line_count = 0
line_data_bytes = b''

while line_count < 2 :

    incoming = correlate_file_obj['Body'].read(1)
    if incoming == b'\n':
        line_count = line_count + 1

    line_data_bytes = line_data_bytes + incoming

logger.debug("read bytes:")
logger.debug(line_data_bytes)

line_data = line_data_bytes.split(b'\n')

如果标题大小可以更改，您无需猜测标题大小，您最终不会下载整个文件，并且您不需要 3rd 方工具。当然，您需要确保文件中的行分隔符正确，并且您正在读取正确的字节数以找到它。

【参考方案10】：

扩展 kooshywoosh 的回答：无法直接在纯二进制文件中的 StreamingBody 上使用 TextIOWrapper（这非常有用），因为您会收到以下错误：

"builtins.AttributeError: 'StreamingBody' object has no attribute 'readable'"

但是，您可以使用 botocore 的 github 页面上this 长期存在的问题中提到的以下 hack，并围绕 StreamingBody 定义一个非常简单的包装类：

from io import RawIOBase
...

class StreamingBodyIO(RawIOBase):
"""Wrap a boto StreamingBody in the IOBase API."""
def __init__(self, body):
    self.body = body

def readable(self):
    return True

def read(self, n=-1):
    n = None if n < 0 else n
    return self.body.read(n)

然后，您可以简单地使用以下代码：

from io import TextIOWrapper
...

# get StreamingBody from botocore.response
response = s3.get_object(Bucket=bucket, Key=key)
data = TextIOWrapper(StreamingBodyIO(response))
for line in data:
    # process line

【讨论】：

另外，请记住“从 io 导入 RawIOBase”