python-3.x - 使用 boto3 将大字符串流式传输到 S3

Question

我正在从 S3 下载文件，转换其中的数据，然后创建一个新文件上传到 S3。我下载的文件不到 2GB，但因为我正在增强数据，所以当我上传它时，它非常大(200GB+)。

目前你可以想象的代码是这样的:

files = list_files_in_s3()
new_file = open('new_file','w')
for file in files:
    file_data = fetch_object_from_s3(file)
    str_out = ''
    for data in file_data:
        str_out += transform_data(data)
    new_file.write(str_out)
s3.upload_file('new_file', 'bucket', 'key')

这样做的问题是“new_file”有时太大而无法放在磁盘上。因此，我想使用 boto3 upload_fileobj 以流形式上传数据，这样我根本不需要磁盘上的临时文件。

有人可以帮忙提供一个例子吗？ Python 方法似乎与我熟悉的 Java 完全不同。

Answer 1

您可以在读取函数中使用 amt 参数，此处记录: https://botocore.amazonaws.com/v1/documentation/api/latest/reference/response.html 。
然后使用此处记录的 MultiPartUpload 逐个上传文件:
https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3.html#multipartupload
https://docs.aws.amazon.com/AmazonS3/latest/dev/mpuoverview.html
你应该有一个删除不完整的分段上传的规则:
https://aws.amazon.com/es/blogs/aws/s3-lifecycle-management-update-support-for-multipart-uploads-and-delete-markers/
否则，您最终可能会为存储在 S3 中的不完整数据部分付费。
我从我自己的脚本中复制粘贴了一些东西来做到这一点。这显示了如何从下载到上传全程流式传输。如果您有内存限制需要考虑。您还可以更改此设置以在上传之前将文件存储在本地。
无论如何，您都必须使用 MultiPartUpload，因为 S3 对您在一个操作中可以上传的文件大小有限制:https://aws.amazon.com/s3/faqs/
“单个 PUT 中可上传的最大对象为 5 GB。对于大于 100 MB 的对象，客户应考虑使用分段上传功能。”
这是一个代码示例(我还没有测试过这里的代码):

import boto3
amt = 1024*1024*10 # 10 MB at the time
session = boto3.Session(profile_name='yourprofile')
s3res = session.resource('s3')
source_s3file = "yourfile.file"
target_s3file = "yourfile.file"
source_s3obj = s3res.Object("your-bucket", source_s3file)
target_s3obj = s3res.Object("your-bucket", target_s3file)

# initiate MultiPartUpload
mpu = target_s3obj.initiate_multipart_upload()
partNr = 0
parts = []

body = source_s3obj.get()["Body"]   
# get initial chunk
chunk = body.read(amt=amt).decode("utf-8") # this is where you use the amt-parameter
# Every time you call the read-function it reads the next chunk of data until its empty.
# Then do something with the chunk and upload it to S3 using MultiPartUpload
partNr += 1
part = mpu.Part(partNr)
response = part.upload(Body=chunk)
parts.append({
    "PartNumber": partNr,
    "ETag": response["ETag"]
})

while len(chunk) > 0:
    # there is more data, get a new chunk
    chunk = body.read(amt=amt).decode("utf-8")
    # do something with the chunk, and upload the part
    partNr += 1
    part = mpu.Part(partNr)
    response = part.upload(Body=chunk)
    parts.append({
        "PartNumber": partNr,
        "ETag": response["ETag"]
    })
# no more chunks, complete the upload
part_info = {}
part_info["Parts"] = parts
mpu_result = mpu.complete(MultipartUpload=part_info)