如何使用 pyarrow 从 S3 读取镶木地板文件列表作为 pandas 数据帧？

Question

我使用 boto3 (1.4.4)、pyarrow (0.4.1) 和 pandas (0.20.3) 来实现这一点。

首先，我可以像这样在本地读取单个 parquet 文件：

import pyarrow.parquet as pq

path = 'parquet/part-r-00000-1e638be4-e31f-498a-a359-47d017a0059c.gz.parquet'
table = pq.read_table(path)
df = table.to_pandas()

我也可以像这样在本地读取 parquet 文件的目录：

import pyarrow.parquet as pq

dataset = pq.ParquetDataset('parquet/')
table = dataset.read()
df = table.to_pandas()

两者都很有魅力。现在我想通过存储在 S3 存储桶中的文件远程实现相同的目的。我希望这样的事情会奏效：

dataset = pq.ParquetDataset('s3n://dsn/to/my/bucket')

但事实并非如此：

OSError: Passed non-file path: s3n://dsn/to/my/bucket

看完pyarrow's documentation thoroughly, this does not seem possible at the moment。所以我想出了以下解决方案：

从 S3 读取单个文件并获取 pandas 数据帧：

import io
import boto3
import pyarrow.parquet as pq

buffer = io.BytesIO()
s3 = boto3.resource('s3')
s3_object = s3.Object('bucket-name', 'key/to/parquet/file.gz.parquet')
s3_object.download_fileobj(buffer)
table = pq.read_table(buffer)
df = table.to_pandas()

这是我从 S3 文件夹路径创建 pandas 数据框的笨拙的、未优化的解决方案：

import io
import boto3
import pandas as pd
import pyarrow.parquet as pq

bucket_name = 'bucket-name'
def download_s3_parquet_file(s3, bucket, key):
    buffer = io.BytesIO()
    s3.Object(bucket, key).download_fileobj(buffer)
    return buffer

client = boto3.client('s3')
s3 = boto3.resource('s3')
objects_dict = client.list_objects_v2(Bucket=bucket_name, Prefix='my/folder/prefix')
s3_keys = [item['Key'] for item in objects_dict['Contents'] if item['Key'].endswith('.parquet')]
buffers = [download_s3_parquet_file(s3, bucket_name, key) for key in s3_keys]
dfs = [pq.read_table(buffer).to_pandas() for buffer in buffers]
df = pd.concat(dfs, ignore_index=True)

有没有更好的方法来实现这个？也许是某种使用 pyarrow 的 pandas 连接器？我想避免使用pyspark，但如果没有其他解决方案，那么我会采用它。

Answer 1

您可以使用 dask 中的 s3fs，它实现了 s3 的文件系统接口。然后你可以像这样使用 ParquetDataset 的文件系统参数：

import s3fs
s3 = s3fs.S3FileSystem()
dataset = pq.ParquetDataset('s3n://dsn/to/my/bucket', filesystem=s3)

Answer 2

您应该按照 yjk21 的建议使用 s3fs 模块。但是，作为调用 ParquetDataset 的结果，您将获得一个 pyarrow.parquet.ParquetDataset 对象。要获得 Pandas DataFrame，您宁愿对其应用 .read_pandas().to_pandas()：

import pyarrow.parquet as pq
import s3fs
s3 = s3fs.S3FileSystem()

pandas_dataframe = pq.ParquetDataset('s3://your-bucket/', filesystem=s3).read_pandas().to_pandas()

Answer 3

不用pyarrow也可以用boto3完成

import boto3
import io
import pandas as pd

# Read the parquet file
buffer = io.BytesIO()
s3 = boto3.resource('s3')
object = s3.Object('bucket_name','key')
object.download_fileobj(buffer)
df = pd.read_parquet(buffer)

print(df.head())

Answer 4

将云上的 parquet 数据读取到数据帧中的最简单方法可能是以这种方式使用 dask.dataframe：

import dask.dataframe as dd
df = dd.read_parquet('s3://bucket/path/to/data-*.parq')

dask.dataframe可以read from Google Cloud Storage, Amazon S3, Hadoop file system and more！

Answer 5

谢谢！你的问题其实告诉了我很多。这就是我现在使用 pandas (0.21.1) 的方式，它将调用 pyarrow 和 boto3 (1.3.1).

import boto3
import io
import pandas as pd

# Read single parquet file from S3
def pd_read_s3_parquet(key, bucket, s3_client=None, **args):
    if s3_client is None:
        s3_client = boto3.client('s3')
    obj = s3_client.get_object(Bucket=bucket, Key=key)
    return pd.read_parquet(io.BytesIO(obj['Body'].read()), **args)

# Read multiple parquets from a folder on S3 generated by spark
def pd_read_s3_multiple_parquets(filepath, bucket, s3=None, 
                                 s3_client=None, verbose=False, **args):
    if not filepath.endswith('/'):
        filepath = filepath + '/'  # Add '/' to the end
    if s3_client is None:
        s3_client = boto3.client('s3')
    if s3 is None:
        s3 = boto3.resource('s3')
    s3_keys = [item.key for item in s3.Bucket(bucket).objects.filter(Prefix=filepath)
               if item.key.endswith('.parquet')]
    if not s3_keys:
        print('No parquet found in', bucket, filepath)
    elif verbose:
        print('Load parquets:')
        for p in s3_keys: 
            print(p)
    dfs = [pd_read_s3_parquet(key, bucket=bucket, s3_client=s3_client, **args) 
           for key in s3_keys]
    return pd.concat(dfs, ignore_index=True)

然后可以通过

从S3中读取一个文件夹下的多个parquet

df = pd_read_s3_multiple_parquets('path/to/folder', 'my_bucket')

（我想可以大大简化这段代码。）

Answer 6

如果您愿意也使用 AWS Data Wrangler。

import awswrangler as wr

df = wr.s3.read_parquet(path="s3://...")

Answer 7

前提是你有正确的包设置

$ pip install pandas==1.1.0 pyarrow==1.0.0 s3fs==0.4.2

和您的 AWS 共享 config and credentials files configured appropriately

您可以马上使用pandas：

import pandas as pd

df = pd.read_parquet("s3://bucket/key.parquet")

如果有多个 AWS profiles，您可能还需要设置

$ export AWS_DEFAULT_PROFILE=profile_under_which_the_bucket_is_accessible

这样您就可以访问您的存储桶。

如何使用 pyarrow 从 S3 读取镶木地板文件列表作为 pandas 数据帧？

How to read a list of parquet files from S3 as a pandas dataframe using pyarrow?

python

pandas

dataframe

boto3

pyarrow