将 Dataframe 保存到 csv 直接保存到 s3 Python
Posted
技术标签:
【中文标题】将 Dataframe 保存到 csv 直接保存到 s3 Python【英文标题】：Save Dataframe to csv directly to s3 Python 【发布时间】：2016-11-04 09:00:12 【问题描述】：我有一个要上传到新 CSV 文件的 pandas DataFrame。问题是我不想在将文件传输到 s3 之前将其保存在本地。有没有像 to_csv 这样的方法直接将数据帧写入 s3？我正在使用 boto3。 这是我目前所拥有的：
import boto3
s3 = boto3.client('s3', aws_access_key_id='key', aws_secret_access_key='secret_key')
read_file = s3.get_object(Bucket, Key)
df = pd.read_csv(read_file['Body'])
# Make alterations to DataFrame
# Then export DataFrame to CSV through direct transfer to s3
【问题讨论】：
df.to_csv('s3://mybucket/dfs/somedf.csv')。 ***.com/a/56275519/908886 了解更多信息。
【参考方案1】：
你可以使用：
from io import StringIO # python3; python2: BytesIO
import boto3
bucket = 'my_bucket_name' # already created on S3
csv_buffer = StringIO()
df.to_csv(csv_buffer)
s3_resource = boto3.resource('s3')
s3_resource.Object(bucket, 'df.csv').put(Body=csv_buffer.getvalue())
【讨论】：
如果这是一个大文件，这对内存有什么影响...？ 如果文件更大，那么您可用的 RAM 将失败，并且会出现异常（不知道是哪一个）。这应该被接受为答案 我在使用StringIO 时遇到了TypeError: unicode argument expected, got 'str' 错误。我使用了BytesIO，它工作得非常好。 注意：这是在 Python 2.7 中
什么是bucket 对象？你是怎么做到的？
bucket 是您在 S3 上存储对象的位置。该代码假定您已经创建了存储它的目标（想想：目录）。见S3 docs【参考方案2】：
您可以直接使用 S3 路径。我正在使用Pandas 0.24.1
In [1]: import pandas as pd
In [2]: df = pd.DataFrame( [ [1, 1, 1], [2, 2, 2] ], columns=['a', 'b', 'c'])
In [3]: df
Out[3]:
a b c
0 1 1 1
1 2 2 2
In [4]: df.to_csv('s3://experimental/playground/temp_csv/dummy.csv', index=False)
In [5]: pd.__version__
Out[5]: '0.24.1'
In [6]: new_df = pd.read_csv('s3://experimental/playground/temp_csv/dummy.csv')
In [7]: new_df
Out[7]:
a b c
0 1 1 1
1 2 2 2
Release Note:
S3 文件处理
pandas 现在使用 s3fs 来处理 S3 连接。这不应该破坏任何代码。但是，由于 s3fs 不是必需的依赖项，因此您需要单独安装它，就像以前版本的 pandas 中的 boto 一样。 GH11915.
【讨论】：
这绝对是现在最简单的答案，它在后台使用 s3fs，因此您需要将其添加到您的 requirements.txt 中 我喜欢它很简单，但它似乎并没有真正起作用，因为我不断收到以下错误NoCredentialsError: Unable to locate credentials。有什么建议吗？
我可以确认这不适用于 pandas
这是我在尝试使用 to_csv 命令时看到的错误 TypeError: write() argument 1 must be unicode, not str
我使用的是 pandas 0.24.2，我得到的是NotImplementedError: Text mode not supported, use mode='wb' and manage bytes。有什么建议吗？【参考方案3】：
我喜欢s3fs，它可以让您（几乎）像使用本地文件系统一样使用 s3。
你可以这样做：
import s3fs
bytes_to_write = df.to_csv(None).encode()
fs = s3fs.S3FileSystem(key=key, secret=secret)
with fs.open('s3://bucket/path/to/file.csv', 'wb') as f:
f.write(bytes_to_write)
s3fs 仅支持rb 和wb 模式打开文件，这就是我这样做bytes_to_write 的原因。
【讨论】：
太棒了！如何使用相同的 s3fs 模块获取文件 url？ 我正在寻找可以下载书面文件的 URL，无论如何我是通过 S3FileSystem 获得的。谢谢 这是我用的；谢谢。我很好奇为什么 pd.read_csv(s3fs 似乎不支持追加模式。【参考方案4】：
这是一个更新的答案：
import s3fs
s3 = s3fs.S3FileSystem(anon=False)
# Use 'w' for py3, 'wb' for py2
with s3.open('<bucket-name>/<filename>.csv','w') as f:
df.to_csv(f)
StringIO 的问题是它会侵蚀你的记忆。使用此方法，您将文件流式传输到 s3，而不是将其转换为字符串，然后将其写入 s3。在内存中保存 pandas 数据帧及其字符串副本似乎非常低效。
如果您在 ec2 即时工作，您可以给它一个 IAM 角色以允许将其写入 s3，因此您不需要直接传递凭证。但是，您也可以通过将凭据传递给 S3FileSystem() 函数来连接到存储桶。见文档：https://s3fs.readthedocs.io/en/latest/
【讨论】：
由于某种原因，当我这样做时，输出 CSV 中的每一行都被跳过了 嗯。不知道为什么会这样。也许尝试使用另一个 pandas df 看看您是否仍然遇到问题？如果您的 pandas 版本支持它，请尝试 @amit-kushwaha 的答案，将 s3 url 直接传递给to_csv()。似乎是一个更干净的实现。
@erncyp 我似乎到了那里错误：botocore.exceptions.ClientError: An error occurred (AccessDenied) when calling the PutObject operation: Access Denied ...我什至已将存储桶设为 PUBLIC READ，并且在我的特定帐户 IAM 用户下，在存储桶中添加了以下操作政策："Action": [ "s3:PutObject", "s3:PutObjectAcl", "s3:GetObject", "s3:GetObjectAcl", "s3:DeleteObject" ]
您好像没有权限？确保将 S3 读写权限附加到您正在使用的 IAM 角色
@erncyp 我的 IAM 用户附加了 AdministratorAccess 策略，所以理论上我应该能够很好地读/写......奇怪的是，当我使用以下内容时，我能够写得很好我使用另一个 *** 用户的建议制作的函数（fyi 分号是行尾，因为我不知道如何在评论部分格式化）：def send_to_bucket(df, fn_out, bucketname): csv_buffer = StringIO(); df.to_csv(csv_buffer); s3_resource = boto3.resource('s3'); s3_resource.Object(bucketname, fn_out).put(Body=csv_buffer.getvalue());【参考方案5】：
如果您将None 作为第一个参数传递给to_csv()，则数据将作为字符串返回。从那里可以轻松地将其一次性上传到 S3。
也应该可以将StringIO 对象传递给to_csv()，但使用字符串会更容易。
【讨论】：
哪种方式会更容易？正确的做法是什么？ @EranMoshe：任何一种方式都可以正常工作，但显然将None 传递给to_csv() 并使用返回的字符串比创建StringIO 对象然后读取数据更容易退出。
作为一个懒惰的程序员，我就是这么做的。对于编写更少代码的程序员来说，您的意思是更容易：>【参考方案6】：
您也可以使用AWS Data Wrangler:
import awswrangler as wr
wr.s3.to_csv(
df=df,
path="s3://...",
)
请注意，它会为您处理分段上传以加快上传速度。
【讨论】：
【参考方案7】：我发现这也可以使用client 来完成，而不仅仅是resource。
from io import StringIO
import boto3
s3 = boto3.client("s3",\
region_name=region_name,\
aws_access_key_id=aws_access_key_id,\
aws_secret_access_key=aws_secret_access_key)
csv_buf = StringIO()
df.to_csv(csv_buf, header=True, index=False)
csv_buf.seek(0)
s3.put_object(Bucket=bucket, Body=csv_buf.getvalue(), Key='path/test.csv')
【讨论】：
【参考方案8】：我使用AWS Data Wrangler。例如：
import awswrangler as wr
import pandas as pd
# read a local dataframe
df = pd.read_parquet('my_local_file.gz')
# upload to S3 bucket
wr.s3.to_parquet(df=df, path='s3://mys3bucket/file_name.gz')
这同样适用于 csv 文件。使用带有正确文件扩展名的read_csv 和to_csv，而不是read_parquet 和to_parquet。
【讨论】：
【参考方案9】：由于您使用的是boto3.client()，请尝试：
import boto3
from io import StringIO #python3
s3 = boto3.client('s3', aws_access_key_id='key', aws_secret_access_key='secret_key')
def copy_to_s3(client, df, bucket, filepath):
csv_buf = StringIO()
df.to_csv(csv_buf, header=True, index=False)
csv_buf.seek(0)
client.put_object(Bucket=bucket, Body=csv_buf.getvalue(), Key=filepath)
print(f'Copy df.shape[0] rows to S3 Bucket bucket at filepath, Done!')
copy_to_s3(client=s3, df=df_to_upload, bucket='abc', filepath='def/test.csv')
【讨论】：
【参考方案10】：你可以使用
熊猫 boto3 s3fs（版本≤0.4）我在路径中使用to_csv 和s3:// 和storage_options
key = "folder/file.csv"
df.to_csv(
f"s3://YOUR_S3_BUCKET/key",
index=False,
storage_options=
"key": AWS_ACCESS_KEY_ID,
"secret": AWS_SECRET_ACCESS_KEY,
"token": AWS_SESSION_TOKEN,
,
【讨论】：
【参考方案11】：我找到了一个似乎可行的非常简单的解决方案：
s3 = boto3.client("s3")
s3.put_object(
Body=open("filename.csv").read(),
Bucket="your-bucket",
Key="your-key"
)
希望有帮助！
【讨论】：
【参考方案12】：我从存储桶 s3 中读取了一个包含两列的 csv，以及我放入 pandas 数据框中的文件 csv 的内容。
例子：
config.json
"credential":
"access_key":"xxxxxx",
"secret_key":"xxxxxx"
,
"s3":
"bucket":"mybucket",
"key":"csv/user.csv"
cls_config.json
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import json
class cls_config(object):
def __init__(self,filename):
self.filename = filename
def getConfig(self):
fileName = os.path.join(os.path.dirname(__file__), self.filename)
with open(fileName) as f:
config = json.load(f)
return config
cls_pandas.py
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import pandas as pd
import io
class cls_pandas(object):
def __init__(self):
pass
def read(self,stream):
df = pd.read_csv(io.StringIO(stream), sep = ",")
return df
cls_s3.py
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import boto3
import json
class cls_s3(object):
def __init__(self,access_key,secret_key):
self.s3 = boto3.client('s3', aws_access_key_id=access_key, aws_secret_access_key=secret_key)
def getObject(self,bucket,key):
read_file = self.s3.get_object(Bucket=bucket, Key=key)
body = read_file['Body'].read().decode('utf-8')
return body
test.py
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from cls_config import *
from cls_s3 import *
from cls_pandas import *
class test(object):
def __init__(self):
self.conf = cls_config('config.json')
def process(self):
conf = self.conf.getConfig()
bucket = conf['s3']['bucket']
key = conf['s3']['key']
access_key = conf['credential']['access_key']
secret_key = conf['credential']['secret_key']
s3 = cls_s3(access_key,secret_key)
ob = s3.getObject(bucket,key)
pa = cls_pandas()
df = pa.read(ob)
print df
if __name__ == '__main__':
test = test()
test.process()
【讨论】：
请不要只发布解决方案，还要添加说明。 制作这样一个复杂的（对于 Python 新手）解决方案有什么好处吗？ 这会从 s3 读取文件，问题是如何将 df 写入 s3。以上是关于将 Dataframe 保存到 csv 直接保存到 s3 Python的主要内容，如果未能解决你的问题，请参考以下文章
尝试在 DBFS 上将 Spark Dataframe 以 CSV 格式保存到磁盘