如何同时从 S3 下载多个对象？

Question

我在 s3 中有很多（数百万）小日志文件，其名称（日期/时间）有助于定义它，即 servername-yyyy-mm-dd-HH-MM。例如

s3://my_bucket/uk4039-2015-05-07-18-15.csv
s3://my_bucket/uk4039-2015-05-07-18-16.csv
s3://my_bucket/uk4039-2015-05-07-18-17.csv
s3://my_bucket/uk4039-2015-05-07-18-18.csv
...
s3://my_bucket/uk4339-2015-05-07-19-23.csv
s3://my_bucket/uk4339-2015-05-07-19-24.csv
...
etc

从 EC2，使用 AWS CLI，我想同时下载所有 2015 年分钟等于 16 的文件，仅适用于服务器 uk4339 和 uk4338

有没有聪明的方法来做到这一点？

另外，如果这是 s3 中用于查询数据的糟糕文件结构，我将非常感谢有关如何更好地进行设置的任何建议。

我可以将相关的aws s3 cp ... 命令放入 shell/bash 脚本中的循环中，以按顺序下载相关文件，但想知道是否有更有效的方法。

作为一个额外的好处，我想将结果绑定在一起作为一个 csv。

可以使用这行 R 代码在 R 中生成模拟 csv 文件的快速示例

R> write.csv(data.frame(cbind(a1=rnorm(100),b1=rnorm(100),c1=rnorm(100))),file='uk4339-2015-05-07-19-24.csv',row.names=FALSE)

创建的 csv 是 uk4339-2015-05-07-19-24.csv。仅供参考，最后我会将组合数据导入 R。

Answer 1

由于您没有回答我的问题，也没有说明您使用的是什么操作系统，因此很难提出任何具体建议，因此我将简要建议您使用 GNU Parallel 来并行化您的 S3 获取请求以解决延迟问题。

假设您以某种方式生成了一个您想要的所有 S3 文件的列表，并将结果列表放入一个名为 GrabMe.txt 的文件中，如下所示

s3://my_bucket/uk4039-2015-05-07-18-15.csv
s3://my_bucket/uk4039-2015-05-07-18-16.csv
s3://my_bucket/uk4039-2015-05-07-18-17.csv
s3://my_bucket/uk4039-2015-05-07-18-18.csv

然后您可以并行获取它们，例如一次 32 个，如下所示：

parallel -j 32 echo aws s3 cp {} . < GrabMe.txt

或者如果您更喜欢从左到右阅读

cat GrabMe.txt | parallel -j 32 echo aws s3 cp {} . 

您显然可以将并行请求的数量从 32 更改为任何其他数量。目前，它只是 echoes 它将运行的命令，但是当您看到它的工作原理时，您可以删除单词 echo。

有一个很好的教程here，Ole Tange（GNU Parallel 的作者）也在 SO 上，所以我们相处得很好。