Question

我有一种使用boto3（1.4.4），pyarrow（0.4.1）和pandas（0.20.3）实现此目的的hacky方法。

首先，我可以在本地阅读单个拼花文件：

import pyarrow.parquet as pq

path = 'parquet/part-r-00000-1e638be4-e31f-498a-a359-47d017a0059c.gz.parquet'
table = pq.read_table(path)
df = table.to_pandas()

我还可以在本地读取镶木地板文件目录：

import pyarrow.parquet as pq

dataset = pq.ParquetDataset('parquet/')
table = dataset.read()
df = table.to_pandas()

两者都像魅力一样。现在我想用存储在S3存储桶中的文件远程实现相同的功能。我希望像这样的东西能起作用：

dataset = pq.ParquetDataset('s3n://dsn/to/my/bucket')

但事实并非如此：

OSError: Passed non-file path: s3n://dsn/to/my/bucket

彻底阅读pyarrow's documentation后，这似乎不可能at the moment。所以我提出了以下解决方案：

从S3读取单个文件并获取pandas数据帧：

import io
import boto3
import pyarrow.parquet as pq

buffer = io.BytesIO()
s3 = boto3.resource('s3')
s3_object = s3.Object('bucket-name', 'key/to/parquet/file.gz.parquet')
s3_object.download_fileobj(buffer)
table = pq.read_table(buffer)
df = table.to_pandas()

这是我从一个S3文件夹路径创建一个pandas数据框的hacky，not-so-optimized解决方案：

import io
import boto3
import pandas as pd
import pyarrow.parquet as pq

bucket_name = 'bucket-name'
def download_s3_parquet_file(s3, bucket, key):
    buffer = io.BytesIO()
    s3.Object(bucket, key).download_fileobj(buffer)
    return buffer

client = boto3.client('s3')
s3 = boto3.resource('s3')
objects_dict = client.list_objects_v2(Bucket=bucket_name, Prefix='my/folder/prefix')
s3_keys = [item['Key'] for item in objects_dict['Contents'] if item['Key'].endswith('.parquet')]
buffers = [download_s3_parquet_file(s3, bucket_name, key) for key in s3_keys]
dfs = [pq.read_table(buffer).to_pandas() for buffer in buffers]
df = pd.concat(dfs, ignore_index=True)

有没有更好的方法来实现这一目标？也许某种使用pyarrow的熊猫连接器？我想避免使用pyspark，但如果没有其他解决方案，那么我会接受它。

Answer 1

您应该使用yjk21建议的s3fs模块。但是，如果调用ParquetDataset，您将获得一个pyarrow.parquet.ParquetDataset对象。要获得Pandas DataFrame，您宁愿将.read_pandas().to_pandas()应用于它：

import pyarrow.parquet as pq
import s3fs
s3 = s3fs.S3FileSystem()

pandas_dataframe = pq.ParquetDataset('s3://your-bucket/', filesystem=s3).read_pandas().to_pandas()

Answer 2

您可以使用dask中的s3fs来实现s3的文件系统接口。然后您可以使用ParquetDataset的filesystem参数，如下所示：

import s3fs
s3 = s3fs.S3FileSystem()
dataset = pq.ParquetDataset('s3n://dsn/to/my/bucket', filesystem=s3)

Answer 3

也可以不使用pyarrow，也可以使用boto3完成

import boto3
import io
import pandas as pd

# Read the parquet file
buffer = io.BytesIO()
s3 = boto3.resource('s3')
object = s3.Object('bucket_name','key')
object.download_fileobj(buffer)
df = pd.read_parquet(buffer)

print(df.head())

Answer 4

如果您愿意同时使用AWS Data Wrangler。

int

Answer 5

将云上的实木复合地板数据读入数据帧的最简单方法可能是使用dask.dataframe，如下所示：

import dask.dataframe as dd
df = dd.read_parquet('s3://bucket/path/to/data-*.parq')

dask.dataframe可以read from Google Cloud Storage, Amazon S3, Hadoop file system and more！

Answer 6

谢谢！您的问题实际上告诉了我很多。这就是我现在使用pandas（0.21.1）进行的操作，它将调用pyarrow和boto3（1.3.1）。

import boto3
import io
import pandas as pd

# Read single parquet file from S3
def pd_read_s3_parquet(key, bucket, s3_client=None, **args):
    if s3_client is None:
        s3_client = boto3.client('s3')
    obj = s3_client.get_object(Bucket=bucket, Key=key)
    return pd.read_parquet(io.BytesIO(obj['Body'].read()), **args)

# Read multiple parquets from a folder on S3 generated by spark
def pd_read_s3_multiple_parquets(filepath, bucket, s3=None, 
                                 s3_client=None, verbose=False, **args):
    if not filepath.endswith('/'):
        filepath = filepath + '/'  # Add '/' to the end
    if s3_client is None:
        s3_client = boto3.client('s3')
    if s3 is None:
        s3 = boto3.resource('s3')
    s3_keys = [item.key for item in s3.Bucket(bucket).objects.filter(Prefix=filepath)
               if item.key.endswith('.parquet')]
    if not s3_keys:
        print('No parquet found in', bucket, filepath)
    elif verbose:
        print('Load parquets:')
        for p in s3_keys: 
            print(p)
    dfs = [pd_read_s3_parquet(key, bucket=bucket, s3_client=s3_client, **args) 
           for key in s3_keys]
    return pd.concat(dfs, ignore_index=True)

然后您可以通过以下方式从S3的文件夹中读取多个实木复合地板

df = pd_read_s3_multiple_parquets('path/to/folder', 'my_bucket')

（我想可以使这段代码简化很多。）

Answer 7

提供正确的软件包设置

$ pip install pandas==1.1.0 pyarrow==1.0.0 s3fs==0.4.2

和您的AWS共享config and credentials files configured appropriately

您可以立即使用pandas：

import pandas as pd

df = pd.read_parquet("s3://bucket/key.parquet")

如果有多个AWS profiles，则可能还需要设置

$ export AWS_DEFAULT_PROFILE=profile_under_which_the_bucket_is_accessible

所以您可以访问您的存储桶。

如何使用pyarrow从S3读取镶木地板文件列表作为pandas数据框？

7 个答案: