如何使用 Python 打开和处理存储在 Google Cloud Storage 中的 CSV 文件

Question

我正在使用 Google Cloud Storage 客户端库。

我正在尝试使用以下代码打开和处理 CSV 文件（已上传到存储桶）：

filename = '/<my_bucket/data.csv'
with gcs.open(filename, 'r') as gcs_file:
    csv_reader = csv.reader(gcs_file, delimiter=',', quotechar='"')

在响应 csv.reader 的第一个参数（即 gcs_file）时，我收到错误“参数 1 必须是迭代器”。显然 gcs_file 不支持迭代器 .next 方法。

关于如何进行的任何想法？我需要包装 gcs_file 并在其上创建一个迭代器还是有更简单的方法？

Answer 1

我认为最好有自己的为 csv.reader 设计的包装器/迭代器。如果 gcs_file 要支持Iterator 协议，则不清楚 next() 应该返回什么以始终适应其使用者。

根据 csv reader doc，它

返回一个读取器对象，它将遍历给定 csvfile 中的行。 csvfile 可以是任何支持迭代器协议并在每次调用其 next() 方法时返回一个字符串的对象——文件对象和列表对象都适用。如果 csvfile 是一个文件对象，则必须在不同的平台上使用“b”标志打开它。

它需要来自底层文件的一大块原始字节，不一定是一行。你可以有这样的包装器（未测试）：

class CsvIterator(object)
  def __init__(self, gcs_file, chunk_size):
     self.gcs_file = gcs_file
     self.chunk_size = chunk_size
  def __iter__(self):
     return self
  def next(self):
     result = self.gcs_file.read(size=self.chunk_size)
     if not result:
        raise StopIteration()
     return result

关键是一次读取一个块，这样当你有一个大文件时，你不会炸毁内存或遇到 urlfetch 超时。

甚至更简单。要使用内置的iter：

csv.reader(iter(gcs_file.readline, ''))

Answer 2

试试这个：

from StringIO import StringIO
filename = '/<my_bucket/data.csv'
with gcs.open(filename, 'r') as gcs_file:
    csv_reader = csv.reader(StringIO(gcs_file.read()), delimiter=',',
                            quotechar='"')

但这并不理想。我已提交功能请求，要求 GCS 文件支持迭代。