ディスクに書き込まずにAWSS3のテキストファイルをパンダにインポートする方法

タブ区切りのテーブルであるテキストファイルをS3に保存しています。パンダにロードしたいのですが、herokuサーバーで実行しているため、最初に保存できません。これが私がこれまでに持っているものです。

import io
import boto3
import os
import pandas as pd

os.environ["AWS_ACCESS_KEY_ID"] = "xxxxxxxx"
os.environ["AWS_SECRET_ACCESS_KEY"] = "xxxxxxxx"

s3_client = boto3.client('s3')
response = s3_client.get_object(Bucket="my_bucket",Key="filename.txt")
file = response["Body"]


pd.read_csv(file, header=14, delimiter="\t", low_memory=False)

エラーは

OSError: Expected file path name or file-like object, got <class 'bytes'> type

応答本文をパンダが受け入れる形式に変換するにはどうすればよいですか？

pd.read_csv(io.StringIO(file), header=14, delimiter="\t", low_memory=False)

returns

TypeError: initial_value must be str or None, not StreamingBody

pd.read_csv(io.BytesIO(file), header=14, delimiter="\t", low_memory=False)

returns

TypeError: 'StreamingBody' does not support the buffer interface

更新-以下を使用して

file = response["Body"].read()

そして

pd.read_csv(io.BytesIO(file), header=14, delimiter="\t", low_memory=False)

pandasを使用するbotoためread_csv、次のことができるはずです。

import boto
data = pd.read_csv('s3://bucket....csv')

boto3あなたが上python3.4+にいるのであなたが必要とするならば、あなたはすることができます

import boto3
import io
s3 = boto3.client('s3')
obj = s3.get_object(Bucket='bucket', Key='key')
df = pd.read_csv(io.BytesIO(obj['Body'].read()))

以来、バージョン0.20.1 pandasの用途s3fs、以下の回答を参照してください。

これで、パンダはS3URLを処理できます。あなたは簡単に行うことができます：

import pandas as pd
import s3fs

df = pd.read_csv('s3://bucket-name/file.csv')

おs3fs持ちでない場合はインストールする必要があります。 pip install s3fs

認証

S3バケットがプライベートで認証が必要な場合は、次の2つのオプションがあります。

1-構成ファイルにアクセス資格情報を追加し~/.aws/credentialsます

[default]
aws_access_key_id=AKIAIOSFODNN7EXAMPLE
aws_secret_access_key=wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY

または

2-次の環境変数を適切な値で設定します。

• aws_access_key_id
• aws_secret_access_key
• aws_session_token

これは現在、最新のパンダでサポートされています。見る

http://pandas.pydata.org/pandas-docs/stable/io.html#reading-remote-files

例えば。、

df = pd.read_csv('s3://pandas-test/tips.csv')

s3fsそれは次のように行うことができます。

import s3fs
import pandas as pd
fs = s3fs.S3FileSystem(anon=False)

# CSV
with fs.open('mybucket/path/to/object/foo.pkl') as f:
    df = pd.read_csv(f)

# Pickle
with fs.open('mybucket/path/to/object/foo.pkl') as f:
    df = pd.read_pickle(f)

ファイルが大きすぎる可能性があるため、ファイルをデータフレームに完全にロードすることは賢明ではありません。したがって、1行ずつ読み取り、データフレームに保存します。はい、read_csvでチャンクサイズを指定することもできますが、読み取った行数を維持する必要があります。

したがって、私はこのエンジニアリングを思いついた：

def create_file_object_for_streaming(self):
        print("creating file object for streaming")
        self.file_object = self.bucket.Object(key=self.package_s3_key)
        print("File object is: " + str(self.file_object))
        print("Object file created.")
        return self.file_object

for row in codecs.getreader(self.encoding)(self.response[u'Body']).readlines():
            row_string = StringIO(row)
            df = pd.read_csv(row_string, sep=",")

作業が完了したら、dfも削除します。 del df

テキストファイルの場合、パイプ区切りファイルで以下のコードを使用できます。例：-

import pandas as pd
import io
import boto3
s3_client = boto3.client('s3', use_ssl=False)
bucket = #
prefix = #
obj = s3_client.get_object(Bucket=bucket, Key=prefix+ filename)
df = pd.read_fwf((io.BytesIO(obj['Body'].read())) , encoding= 'unicode_escape', delimiter='|', error_bad_lines=False,header=None, dtype=str)

オプションは、を介してcsvをjsonに変換し、df.to_dict()それを文字列として保存することです。これは、CSVが要件ではないが、データフレームをS3バケットにすばやく入れて、再度取得したい場合にのみ関係することに注意してください。

from boto.s3.connection import S3Connection
import pandas as pd
import yaml

conn = S3Connection()
mybucket = conn.get_bucket('mybucketName')
myKey = mybucket.get_key("myKeyName")

myKey.set_contents_from_string(str(df.to_dict()))

これにより、dfがdict文字列に変換され、S3でjsonとして保存されます。後で同じjson形式で読むことができます。

df = pd.DataFrame(yaml.load(myKey.get_contents_as_string()))

他の解決策も良いですが、これは少し簡単です。Yamlは必ずしも必要ではないかもしれませんが、json文字列を解析するために何かが必要です。S3ファイルが必ずしもCSVである必要がない場合、これは簡単な修正になります。

Python 3.6以降の場合、Amazonには、awswranglerと呼ばれるPandasをサービスで使用するための非常に優れたライブラリがあります。

import awswrangler as wr
import boto3


# Boto3 session
session = boto3.session.Session(aws_access_key_id='XXXX', 
                                aws_secret_access_key='XXXX')

# Awswrangler pass forward all pd.read_csv() function args
df = wr.s3.read_csv(path='s3://bucket/path/',
                    boto3_session=session,
                    skiprows=2,
                    sep=';',
                    decimal=',',
                    na_values=['--'])

awswranglerをインストールするには： pip install awswrangler

import s3fs
import pandas as pd
s3 = s3fs.S3FileSystem(profile='<profile_name>')
pd.read_csv(s3.open(<s3_path>))