如何使用pyarrow从S3中读取作为pandas数据框的实木复合地板文件列表？

Question

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

首先，我可以像这样在本地读取单个实木复合地板文件：

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()

我还可以像这样在本地读取实木复合地板文件的目录：

import pyarrow.parquet as pq

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

两者都像魅力。现在，我想使用存储在S3存储桶中的文件远程实现相同的目的。我希望这样的事情行得通：

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

但这不是：

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

在彻底阅读了pyarrow的文档之后，目前看来这是不可能的。因此，我提出了以下解决方案：

从S3读取单个文件并获取熊猫数据框：

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()

在这里，我的hacky尚未经过优化，但可以通过S3文件夹路径创建pandas数据框：

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，但是如果没有其他解决方案，那么我会接受。

Answer 1

您应该使用yjk21s3fs建议的模块。但是，由于调用ParquetDataset的结果，您将获得pyarrow.parquet.ParquetDataset对象。要获取PandasDataFrame，您宁愿应用到它：.read_pandas().to_pandas()

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

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