使用boto从S3逐行读取文件？

Question

我在 S3 中有一个 csv 文件，我正在尝试读取标题行以获取大小（这些文件是由我们的用户创建的，因此它们几乎可以是任何大小）。有没有办法使用 boto 做到这一点？我想也许我可以使用 python BufferedReader，但我不知道如何从 S3 键打开流。任何建议都会很棒。谢谢！

Answer 1

这是一个实际逐行流式传输数据的解决方案：

from io import TextIOWrapper
from gzip import GzipFile
...

# get StreamingBody from botocore.response
response = s3.get_object(Bucket=bucket, Key=key)
# if gzipped
gzipped = GzipFile(None, 'rb', fileobj=response['Body'])
data = TextIOWrapper(gzipped)

for line in data:
    # process line

Answer 2

您可能会发现https://pypi.python.org/pypi/smart_open 对您的任务很有用。

来自文档：

for line in smart_open.smart_open('s3://mybucket/mykey.txt'):
    print line

Answer 3

我知道这是一个非常古老的问题。

但现在，我们可以使用s3_conn.get_object(Bucket=bucket, Key=key)['Body'].iter_lines()

Answer 4

stdlib 中的codecs module 提供了一种将字节流编码为文本流的简单方法，并提供了一个生成器来逐行检索此文本。它可以毫不费力地与 S3 一起使用：

import codecs

import boto3


s3 = boto3.resource("s3")
s3_object = s3.Object('my-bucket', 'a/b/c.txt')
line_stream = codecs.getreader("utf-8")

for line in line_stream(s3_object.get()['Body']):
    print(line)

Answer 5

看来 boto 有一个 read() 函数可以做到这一点。下面是一些适合我的代码：

>>> import boto
>>> from boto.s3.key import Key
>>> conn = boto.connect_s3('ap-southeast-2')
>>> bucket = conn.get_bucket('bucket-name')
>>> k = Key(bucket)
>>> k.key = 'filename.txt'
>>> k.open()
>>> k.read(10)
'This text '

对read(n) 的调用从对象返回接下来的 n 个字节。

当然，这不会自动返回“标题行”，但您可以使用足够大的数字调用它以至少返回标题行。

Answer 6

使用 boto3，您可以访问原始流并逐行读取。 请注意，由于某种原因，原始流是私有财产

s3 = boto3.resource('s3', aws_access_key_id='xxx', aws_secret_access_key='xxx')
obj = s3.Object('bucket name', 'file key')

obj.get()['Body']._raw_stream.readline() # line 1
obj.get()['Body']._raw_stream.readline() # line 2
obj.get()['Body']._raw_stream.readline() # line 3...

Answer 7

使用boto3：

s3 = boto3.resource('s3')
obj = s3.Object(BUCKET, key)
for line in obj.get()['Body']._raw_stream:
    # do something with line

Answer 8

如果您想读取具有特定存储桶前缀（即在“子文件夹”中）的多个文件（逐行），您可以这样做：

s3 = boto3.resource('s3', aws_access_key_id='<key_id>', aws_secret_access_key='<access_key>')

    bucket = s3.Bucket('<bucket_name>')
    for obj in bucket.objects.filter(Prefix='<your prefix>'):
        for line in obj.get()['Body'].read().splitlines():
            print(line.decode('utf-8'))

这里的行是字节，所以我正在解码它们；但是如果它们已经是一个字符串，你可以跳过它。

Answer 9

读取文件最动态且成本最低的方法是读取每个字节，直到找到所需的行数。

line_count = 0
line_data_bytes = b''

while line_count < 2 :

    incoming = correlate_file_obj['Body'].read(1)
    if incoming == b'\n':
        line_count = line_count + 1

    line_data_bytes = line_data_bytes + incoming

logger.debug("read bytes:")
logger.debug(line_data_bytes)

line_data = line_data_bytes.split(b'\n')

如果标题大小可以更改，您无需猜测标题大小，您最终不会下载整个文件，并且您不需要 3rd 方工具。当然，您需要确保文件中的行分隔符正确，并且您正在读取正确的字节数以找到它。

Answer 10

扩展 kooshywoosh 的回答：无法直接在纯二进制文件中的 StreamingBody 上使用 TextIOWrapper（这非常有用），因为您会收到以下错误：

"builtins.AttributeError: 'StreamingBody' object has no attribute 'readable'"

但是，您可以使用 botocore 的 github 页面上this 长期存在的问题中提到的以下 hack，并围绕 StreamingBody 定义一个非常简单的包装类：

from io import RawIOBase
...

class StreamingBodyIO(RawIOBase):
"""Wrap a boto StreamingBody in the IOBase API."""
def __init__(self, body):
    self.body = body

def readable(self):
    return True

def read(self, n=-1):
    n = None if n < 0 else n
    return self.body.read(n)

然后，您可以简单地使用以下代码：

from io import TextIOWrapper
...

# get StreamingBody from botocore.response
response = s3.get_object(Bucket=bucket, Key=key)
data = TextIOWrapper(StreamingBodyIO(response))
for line in data:
    # process line