将文本输出写入 S3 存储桶的最佳实践是啥？

Posted 2023-03-31

【中文标题】将文本输出写入 S3 存储桶的最佳实践是啥？

【英文标题】：What is best practice of the the case of writing text output into S3 bucket?将文本输出写入 S3 存储桶的最佳实践是什么？

【发布时间】：2017-03-30 04:53:02

【问题描述】：

我的管道（python）正在编写从 BigQuery 读取的文本数据。 据我所知，我有两个选项可以将文本数据写入 S3。

第一个选项是自定义 Sink 的“Writer 子类”将每条记录写入 S3 存储桶目录。 根据我的经验，传输效率似乎非常低。 Writer 每 1 条记录花费大约一秒钟。（我的数据源也有数百万条记录！）

第二种选择是将文本数据发送到预先写入GCS的GCS。 我似乎这个选项效率低下。 原因是 GCS 和 DataFlow 之间发生了不必要的流量（上传/下载）。 （My Pipeline 不需要将文本数据存储到 GCS 中）

有没有比我的两个选项更好的写入 S3 的方法？

问候。

【问题讨论】：

欢迎来到 ***！您能否提供有关您的应用程序正在做什么的更多详细信息？例如，您希望将每条记录存储在单独的 Amazon S3 对象中，还是将数据附加到现有对象？您是否可以将数据存储在“本地”文件中，然后在文件有一定数量的记录时上传文件？您是否考虑过将数据发送到 Amazon Kinesis Firehose 以捕获流数据并将其存储在 Amazon S3 中？

【参考方案1】：

为 S3 编写自定义接收器的第一种方法似乎不错。您可以使用缓冲区将写入批量上传到 S3，而不是为每条记录写入一个文件。如果您的缓冲区不是很大，那么您可以直接上传到 s3，否则使用分段上传 API 也是一个不错的选择。 gcsio 中的代码在这里可能有用。

在第二种情况下，您可以直接使用 TextSink 写入 GCS，但如果数据最后需要保存在 s3 中，您必须稍后以某种方式将文件从 GCS 移动到 S3。

我还创建了https://issues.apache.org/jira/browse/BEAM-994 用于跟踪支持 S3 的需求