[PYTHON] [AWS] Recherchez et acquérez les données nécessaires à partir des fichiers S3 avec S3 Select

Chose que tu veux faire

Je souhaite utiliser S3 Sélectionnez pour rechercher des fichiers S3 avec une requête SQL pour obtenir les enregistrements requis.

Un heureux événement

• Pratique lorsque vous souhaitez vérifier rapidement les données cibles du fichier S3.
• J'ai dû le mettre dans la base de données pour rechercher des requêtes, mais ce n'est plus nécessaire.
• En combinant avec API Gateway, Lambda, etc., vous pouvez créer une application sans serveur pour les données S3.

Points de sélection S3

• Cible un fichier sur S3.
• Le format de fichier prend en charge les formats CSV, JSON et Apache Parquet.
• Prend en charge les formats de compression GZIP et BZIP2.
• Il prend également en charge les requêtes SQL du SDK AWS et de l'AWS CLI.
• Puisque la charge est basée sur "la quantité de données scannées + la quantité de données renvoyées", il est préférable de compresser le fichier cible.

Essayez de fonctionner à partir de l'écran de la console de S3

Cette fois, nous placerons un exemple de fichier au format suivant sur S3 et le vérifierons.

sample.tsv

male	14	student
female	26	employee
male	32	selfemployed
male	45	unemployed
female	11	student
male	24	employee
male	33	selfemployed
male	49	unemployed
female	57	unemployed

Sélectionnez le fichier cible sur l'écran de la console S3 et sélectionnez l'onglet Sélection S3.

Format de fichier: CSV Délimiteur: Tabulation Compression: aucune "prochain"

Entrez le SQL que vous souhaitez exécuter. Je voudrais obtenir un disque dont la première colonne est "femme".

SQL

select * from s3object s where s._1 = 'female'

J'ai pu l'obtenir correctement. Vous pouvez le télécharger sous forme de fichier CSV en cliquant sur "Télécharger".

Il existe des exemples de SQL, alors essayez-les.

Exécuter une requête SQL en Python à partir d'une instance EC2

Nous allons également essayer le modèle d'exécution de requêtes SQL en Python à partir d'une instance EC2. Tout d'abord, installez le Python requis.

#Installez Python 3
$ sudo yum update -y
$ sudo yum install python3 -y

#Activer l'environnement virtuel
$ python3 -m venv ~/s3select_example/env
$ source ~/s3select_example/env/bin/activate

#installer boto3
$ pip install pip --upgrade
$ pip install boto3

Ensuite, créez un fichier Python.

S3Select.py

import boto3

s3 = boto3.client('s3')

resp = s3.select_object_content(
    Bucket='my-bucket.01',
    Key='sample/sample.tsv',
    ExpressionType='SQL',
    Expression="SELECT * FROM s3object s where s._1 = 'female'",
    InputSerialization = {'CSV': {"FileHeaderInfo": "NONE", 'FieldDelimiter': '\t'}, 'CompressionType': 'NONE'},
    OutputSerialization = {'CSV': {}},
)

for event in resp['Payload']:
    if 'Records' in event:
        records = event['Records']['Payload'].decode('utf-8')
        print(records)

Faites correspondre Bucket et Key au fichier à lire par S3. De plus, puisque le fichier cible est cette fois délimité par des tabulations, "'\ t'" est spécifié pour le délimiteur de champ de sérialisation d'entrée.

Lançons-le.

$ python S3Select.py

female,26,employee
female,11,student
female,57,unemployed

Le même enregistrement que le résultat de l'exécution à partir de l'écran de la console a été produit!

Cette fois, j'ai recherché le fichier S3 directement avec une requête SQL et j'ai récupéré l'enregistrement cible. J'enquête parfois sur les fichiers S3, j'aimerais donc les utiliser si j'en ai l'occasion.

Référence: https://aws.amazon.com/jp/blogs/news/querying-data-without-servers-or-databases-using-amazon-s3-select/