如何從 s3 stream 一個大的 gzipped.tsv 文件，處理它，然后寫回 s3 上的新文件？

Question

我有一個大文件s3://my-bucket/in.tsv.gz我想加載和處理，將其處理后的版本寫回 s3 output 文件s3://my-bucket/out.tsv.gz .

1. 如何直接從 s3 簡化in.tsv.gz而不將所有文件加載到 memory （它不適合內存）
2. 如何將處理后的 gzip 壓縮 stream 直接寫入 s3？

在下面的代碼中，我展示了我是如何考慮從 s3 加載輸入 gzip 壓縮的 dataframe，以及如果.tsv位於本地bucket_dir_local =./ ，我將如何編寫它。

import pandas as pd
import s3fs
import os
import gzip
import csv
import io

bucket_dir = 's3://my-bucket/annotations/'
df = pd.read_csv(os.path.join(bucket_dir, 'in.tsv.gz'), sep='\t', compression="gzip")

bucket_dir_local='./'
# not sure how to do it with an s3 path
with gzip.open(os.path.join(bucket_dir_local, 'out.tsv.gz'), "w") as f:
    with io.TextIOWrapper(f, encoding='utf-8') as wrapper:
        w = csv.DictWriter(wrapper, fieldnames=['test', 'testing'], extrasaction="ignore")
        w.writeheader()
        for index, row in df.iterrows():
            my_dict = {"test": index, "testing": row[6]}
            w.writerow(my_dict)

編輯： smart_open看起來像 go 的方式。

Answer 1

要下載文件，您可以直接在 python 中 ZF7B44CFFAFD5C52223D5498196C8A2E7BZ S3 object 。 我建議閱讀整篇文章，但其中的一些關鍵內容

import boto3

s3 = boto3.client('s3', aws_access_key_id='mykey', aws_secret_access_key='mysecret') # your authentication may vary
obj = s3.get_object(Bucket='my-bucket', Key='my/precious/object')

import gzip

body = obj['Body']

with gzip.open(body, 'rt') as gf:
    for ln in gf:
        process(ln)

不幸的是，S3 不支持真正的流輸入，但是這個 SO 答案有一個實現，可以將文件分塊並將每個塊發送到 S3。 雖然不是“真正的流”，但它可以讓您上傳大文件，而無需將整個內容保存在 memory

Answer 2

這是一個從 s3 讀取文件並使用smart_open將其寫回 s3 的虛擬示例

from smart_open import open
import os

bucket_dir = "s3://my-bucket/annotations/"

with open(os.path.join(bucket_dir, "in.tsv.gz"), "rb") as fin:
    with open(
        os.path.join(bucket_dir, "out.tsv.gz"), "wb"
    ) as fout:
        for line in fin:
            l = [i.strip() for i in line.decode().split("\t")]
            string = "\t".join(l) + "\n"
            fout.write(string.encode())