scala- 从 S3 存储桶读取文件

Posted 2023-04-17

【中文标题】scala- 从 S3 存储桶读取文件

【英文标题】：scala- Read file from S3 bucket

【发布时间】：2018-10-13 14:26:59

【问题描述】：

我想从 S3 存储桶中读取特定文件。在我的 S3 存储桶中，我将拥有如此多的对象（目录和子目录）。我想遍历所有对象并且必须只读取该文件。

我正在尝试以下代码：

val s3Client: AmazonS3Client = getS3Client()
    try 
      log.info("Listing objects from S3")
      var counter = 0

      val listObjectsRequest = new ListObjectsRequest()
        .withBucketName(bucketName)
        .withMaxKeys(2)
        .withPrefix("Test/"+"Client_cd" + "/"+"DM1"+"/")
        .withMarker("Test/"+"Client_cd" + "/"+"DM1"+"/")
      var objectListing: ObjectListing = null
      do 
        objectListing = s3Client.listObjects(listObjectsRequest)
        import scala.collection.JavaConversions._
        for (objectSummary <- objectListing.getObjectSummaries) 
          println( objectSummary.getKey + "\t" + StringUtils.fromDate(objectSummary.getLastModified))

        
          listObjectsRequest.setMarker(objectListing.getNextMarker())
        
        while (objectListing.isTruncated())

    
    catch 
      case e: Exception => 
        log.error("Failed listing files. ", e)
        throw e
      
    

在此路径中，我必须仅读取最新月份文件夹中的 .gz 文件。文件路径：

"Mybucket/Test/Client_cd/Dm1/20181010_xxxxx/*.gz"

在这里，我必须将 Client_cd 作为特定客户端的参数传递。

如何过滤对象并获取特定文件？

【问题讨论】：

您是否尝试过使用前缀“Test/Client_cd/Dm1/20181010_”而不在初始列表对象请求中提供标记？您必须在本地过滤结果才能仅获取 *.gz 文件（除非它们都是 *.gz 文件）。

嗨，如果您在我的图片中看到我有多个 client_cd 文件夹，我必须作为 client_cd 的参数传递（过滤），我必须在 DM1 下找到最近两个月的文件夹数据。

这里没有魔法可用。您可以读取前缀 Test/Client_cd/Dm1/201812，然后是 201811 等，一直到 201801，直到找到两个月实际有数据。

如果在这种情况下我可以从 dm1 读取所有数据。在 dm1 文件夹中，我将拥有 12 个月的数据。我只想要最近 2 个月的数据，并且每个月这些数据由系统自动生成。

如果 Dm1 下的文件不多，那么您可能只想列出所有文件，按日期降序排列，然后找到最近的两个月。如果有很多文件但它们都有一个共同的 YYYY 前缀，那么您可以从 12 月开始并向后工作（YYYY12 然后 YYYY11 等）。

【参考方案1】：

如果您使用的是 EMR 或您的 S3 配置设置正确，您也可以使用 sc.textFile("s3://bucket/Test/Client_cd/Dm1/20181010_xxxxx/*.gz")

【讨论】：

您好，感谢您提供详细信息。我能够从 S3 存储桶访问文件。如何递归读取数据？在 Dm1 文件夹中，我将拥有几个月的数据文件夹（假设 12 个月），在这些文件夹下，我拥有 *.gz 文件。我只想考虑最近两个月的数据，例如 (20181013,20180911..etc)，我们必须执行自动化并且没有物理路径。

从多个路径读取文件的标准表达式应该可以工作。将 s3:// 视为文件读取协议，将 rest 视为文件路径。你可以像在本地文件系统上玩 ls 一样玩它。

@Dragonborn，感谢您的回复。是否可以通过编码实现？