python - 在 S3 中用 pyarrow 覆盖 Parquet 文件

Question

我正在尝试用 S3 中的 pyarrow 覆盖我的 Parquet 文件。我看过文档，但没有找到任何东西。

这是我的代码:

from s3fs.core import S3FileSystem
import pyarrow as pa
import pyarrow.parquet as pq

s3 = S3FileSystem(anon=False)
output_dir = "s3://mybucket/output/my_table"

my_csv = pd.read_csv(file.csv)
my_table = pa.Table.from_pandas(my_csv , preserve_index=False)

pq.write_to_dataset(my_table, 
                    output_dir,
                    filesystem=s3,
                    use_dictionary=True,
                    compression='snappy')

write_to_dataset 函数中是否有类似mode = "overwrite" 的选项？

Answer 1

我认为最好的方法是使用 AWS Data Wrangler提供 3 种不同的写入模式:

1. 附加
2. 覆盖
3. 覆盖分区

例子:

import awswrangler as wr

wr.s3.to_parquet(
    dataframe=df,
    path="s3://...",
    mode="overwrite",
    dataset=True,
    database="my_database",  # Optional, only with you want it available on Athena/Glue Catalog
    table="my_table",
    partition_cols=["PARTITION_COL_NAME"])