如何从 s3 流式传输大型 gzip .tsv 文件，对其进行处理，然后写回 s3 上的新文件？

Question

我有一个大文件 s3://my-bucket/in.tsv.gz 我想加载和处理，将其处理后的版本写回到 s3 输出文件 s3://my-bucket/out.tsv.gz.

如何直接从 s3 精简 in.tsv.gz 而无需将所有文件加载到内存（内存放不下）
如何将处理后的 gzip 流直接写入 s3？

在下面的代码中，我展示了我是如何考虑从 s3 加载输入的 gzip 数据帧，以及如果 .tsv 位于本地 bucket_dir_local = ./.[=17，我将如何编写 .tsv =]

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)

编辑：smart_open 看起来不错。

Answer 1

要下载文件，您可以stream the S3 object directly in python。我建议阅读整个 post 但其中的一些关键行

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 不支持真正的流式输入，但 this SO answer 有一个将文件分块并将每个块发送到 S3 的实现。虽然不是“真正的流”，但它可以让您上传大文件而无需将整个文件保存在内存中

Answer 2

这是一个从 s3 读取文件并使用 smart_open

将其写回 s3 的虚拟示例

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())

如何从 s3 流式传输大型 gzip .tsv 文件，对其进行处理，然后写回 s3 上的新文件？

How to stream a large gzipped .tsv file from s3, process it, and write back to a new file on s3?

python

csv

amazon-s3

python-s3fs