使用云存储 (S3, GCS) • Arrow R 包

处理存储在云存储系统（如 Amazon Simple Storage Service (S3) 和 Google Cloud Storage (GCS)）中的数据是一项非常常见的任务。因此，Arrow C++ 库提供了一个工具包，旨在使其像处理本地文件系统一样简单地处理云存储。

为了实现这一点，Arrow C++ 库包含一个通用的文件系统接口，并且 arrow 包将此接口公开给 R 用户。例如，如果您愿意，您可以创建一个 LocalFileSystem 对象，该对象允许您以通常的方式与本地文件系统交互：复制、移动和删除文件，获取有关文件和文件夹的信息等等（有关详细信息，请参见 help("FileSystem", package = "arrow")）。通常，您可能不需要此功能，因为您已经有用于处理本地文件系统的工具，但是此接口在远程文件系统的上下文中变得更加有用。目前，S3FileSystem 类提供了 Amazon S3 的特定实现，而 GcsFileSystem 提供了 Google Cloud Storage 的另一种实现。

本文概述了如何使用 Arrow 工具包处理 S3 和 GCS 数据。

Linux 上的 S3 和 GCS 支持

在开始之前，请确保您的 arrow 安装已启用对 S3 和/或 GCS 的支持。对于大多数用户来说，这通常是默认的，因为托管在 CRAN 上的 Windows 和 macOS 二进制包包含 S3 和 GCS 支持。您可以通过辅助函数检查是否已启用支持

arrow_with_s3()
arrow_with_gcs()

如果这些函数返回 TRUE，则表示已启用相关支持。

在某些情况下，您可能会发现您的系统未启用支持。最常见的情况是在 Linux 上从源代码安装 arrow 时发生。在这种情况下，默认情况下并不总是启用 S3 和 GCS 支持，并且涉及其他系统要求。有关如何解决此问题的详细信息，请参见安装文章。

连接到云存储

处理文件系统的一种方法是创建 ?FileSystem 对象。可以使用 s3_bucket() 函数创建 ?S3FileSystem 对象，该函数会自动检测存储桶的 AWS 区域。类似地，可以使用 gs_bucket() 函数创建 ?GcsFileSystem 对象。生成的 FileSystem 将认为路径相对于存储桶的路径（因此，例如，在列出目录时，您无需在存储桶路径前加上前缀）。

使用 FileSystem 对象，您可以使用 $path() 方法指向其中的特定文件，并将结果传递给文件读取器和写入器 (read_parquet(), write_feather(), 等等)。

通常，用户在实际分析中使用云存储的原因是为了访问大型数据集。数据集文章中讨论了一个示例，但是新用户可能更喜欢使用更小的数据集来学习 arrow 云存储接口的工作方式。为此，本文中的示例依赖于一个多文件 Parquet 数据集，该数据集存储了通过 ggplot2 包提供的 diamonds 数据的副本，该数据记录在 help("diamonds", package = "ggplot2") 中。此数据集的云存储版本包含 5 个 Parquet 文件，总大小小于 1MB。

钻石数据集托管在 S3 和 GCS 上，位于名为 voltrondata-labs-datasets 的存储桶中。要创建一个引用该存储桶的 S3FileSystem 对象，请使用以下命令

bucket <- s3_bucket("voltrondata-labs-datasets")

要对数据的 GCS 版本执行此操作，命令如下

bucket <- gs_bucket("voltrondata-labs-datasets", anonymous = TRUE)

请注意，如果尚未配置凭据，则 GCS 需要 anonymous = TRUE。

在此存储桶中，有一个名为 diamonds 的文件夹。我们可以调用 bucket$ls("diamonds") 列出存储在此文件夹中的文件，或者调用 bucket$ls("diamonds", recursive = TRUE) 递归搜索子文件夹。请注意，在 GCS 上，您应始终设置 recursive = TRUE，因为目录通常不会出现在结果中。

这是我们列出存储在 GCS 存储桶中的文件时得到的结果

bucket$ls("diamonds", recursive = TRUE)

## [1] "diamonds/cut=Fair/part-0.parquet"     
## [2] "diamonds/cut=Good/part-0.parquet"     
## [3] "diamonds/cut=Ideal/part-0.parquet"    
## [4] "diamonds/cut=Premium/part-0.parquet"  
## [5] "diamonds/cut=Very Good/part-0.parquet"

这里有 5 个 Parquet 文件，一个对应于 diamonds 数据集中的每个“cut”类别。我们可以通过调用 bucket$path() 来指定特定文件的路径

parquet_good <- bucket$path("diamonds/cut=Good/part-0.parquet")

我们可以使用 read_parquet() 从此路径直接读取到 R 中

diamonds_good <- read_parquet(parquet_good)
diamonds_good

## # A tibble: 4,906 × 9
##    carat color clarity depth table price     x     y     z
##    <dbl> <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
##  1  0.23 E     VS1      56.9    65   327  4.05  4.07  2.31
##  2  0.31 J     SI2      63.3    58   335  4.34  4.35  2.75
##  3  0.3  J     SI1      64      55   339  4.25  4.28  2.73
##  4  0.3  J     SI1      63.4    54   351  4.23  4.29  2.7 
##  5  0.3  J     SI1      63.8    56   351  4.23  4.26  2.71
##  6  0.3  I     SI2      63.3    56   351  4.26  4.3   2.71
##  7  0.23 F     VS1      58.2    59   402  4.06  4.08  2.37
##  8  0.23 E     VS1      64.1    59   402  3.83  3.85  2.46
##  9  0.31 H     SI1      64      54   402  4.29  4.31  2.75
## 10  0.26 D     VS2      65.2    56   403  3.99  4.02  2.61
## # … with 4,896 more rows
## # ℹ Use `print(n = ...)` to see more rows

请注意，与本地文件相比，读取速度会较慢。

直接使用 URI 连接

在大多数用例中，在 arrow 中连接到云存储最简单和最自然的方式是使用 s3_bucket() 和 gs_bucket() 返回的 FileSystem 对象，尤其是在需要多个文件操作时。但是，在某些情况下，您可能希望通过指定 URI 直接下载文件。 arrow 允许这样做，并且诸如 read_parquet()、write_feather()、open_dataset() 等函数都将接受指向 S3 或 GCS 上托管的云资源的 URI。 S3 URI 的格式如下

s3://[access_key:secret_key@]bucket/path[?region=]

对于 GCS，URI 格式如下所示

gs://[access_key:secret_key@]bucket/path
gs://anonymous@bucket/path

例如，存储“good cut”钻石的 Parquet 文件（我们在本文前面下载过）在 S3 和 CGS 上都可用。相关的 URI 如下

uri <- "s3://voltrondata-labs-datasets/diamonds/cut=Good/part-0.parquet"
uri <- "gs://anonymous@voltrondata-labs-datasets/diamonds/cut=Good/part-0.parquet"

请注意，对于公共存储桶，GCS 需要“anonymous”。无论您使用哪个版本，都可以将此 URI 传递给 read_parquet()，就像该文件存储在本地一样

df <- read_parquet(uri)

URI 接受查询参数（? 之后的部分）中的其他选项，这些选项会传递下去以配置底层文件系统。它们用 & 分隔。例如，

s3://voltrondata-labs-datasets/?endpoint_override=https%3A%2F%2Fstorage.googleapis.com&allow_bucket_creation=true

等效于

bucket <- S3FileSystem$create(
  endpoint_override="https://storage.googleapis.com",
  allow_bucket_creation=TRUE
)
bucket$path("voltrondata-labs-datasets/")

两者都告诉 S3FileSystem 对象它应该允许创建新存储桶并与 Google Storage 而不是 S3 通信。后者有效，因为 GCS 实现了与 S3 兼容的 API – 请参见下面的模拟 S3 的文件系统 – 但是如果您想要更好地支持 GCS，则应引用 GcsFileSystem，但使用以 gs:// 开头的 URI。

另请注意，URI 中的参数需要进行百分比编码，这就是为什么 :// 被写成 %3A%2F%2F。

对于 S3，URI 中只能包含以下选项作为查询参数：region、scheme、endpoint_override、access_key、secret_key、allow_bucket_creation 和 allow_bucket_deletion。对于 GCS，支持的参数为 scheme、endpoint_override 和 retry_limit_seconds。

在 GCS 中，一个有用的选项是 retry_limit_seconds，它设置请求在返回错误之前可以重试的秒数。当前默认值为 15 分钟，因此在许多交互式上下文中，最好设置一个较低的值

gs://anonymous@voltrondata-labs-datasets/diamonds/?retry_limit_seconds=10

身份验证

S3 身份验证

要访问私有 S3 存储桶，您通常需要两个秘密参数：一个 access_key，类似于用户 ID，以及 secret_key，类似于令牌或密码。有几种传递这些凭据的选项

将它们包含在 URI 中，例如 s3://access_key:secret_key@bucket-name/path/to/file。如果您的机密包含诸如“/”之类的特殊字符，请务必对它们进行 URL 编码 (例如，URLencode("123/456", reserved = TRUE))。
将它们作为 access_key 和 secret_key 传递给 S3FileSystem$create() 或 s3_bucket()
将它们设置为名为 AWS_ACCESS_KEY_ID 和 AWS_SECRET_ACCESS_KEY 的环境变量。
根据 AWS 文档，在 ~/.aws/credentials 文件中定义它们。
通过将 role_arn 标识符传递给 S3FileSystem$create() 或 s3_bucket()，使用 AccessRole 进行临时访问。

GCS 身份验证

使用 GCS 进行身份验证的最简单方法是运行 gcloud 命令来设置应用程序默认凭据

gcloud auth application-default login

要手动配置凭据，您可以传递 access_token 和 expiration 以使用在其他地方生成的临时令牌，或者传递 json_credentials 以引用下载的凭据文件。

如果您尚未配置凭据，则要访问公共存储桶，您必须传递 anonymous = TRUE 或在 URI 中将 anonymous 作为用户

bucket <- gs_bucket("voltrondata-labs-datasets", anonymous = TRUE)
fs <- GcsFileSystem$create(anonymous = TRUE)
df <- read_parquet("gs://anonymous@voltrondata-labs-datasets/diamonds/cut=Good/part-0.parquet")

使用代理服务器

如果您需要使用代理服务器连接到 S3 存储桶，则可以在 proxy_options 中以 http://user:password@host:port 形式提供 URI。例如，可以使用在端口 1316 上运行的本地代理服务器，如下所示

bucket <- s3_bucket(
  bucket = "voltrondata-labs-datasets", 
  proxy_options = "http://localhost:1316"
)

模拟 S3 的文件系统

S3FileSystem 机制使您能够处理提供与 S3 兼容的接口的任何文件系统。例如，MinIO 是一个模拟 S3 API 的对象存储服务器。如果您使用其默认设置在本地运行 minio server，则可以使用 S3FileSystem 像这样连接到它

minio <- S3FileSystem$create(
  access_key = "minioadmin",
  secret_key = "minioadmin",
  scheme = "http",
  endpoint_override = "localhost:9000"
)

或者，作为 URI，它将是

s3://minioadmin:minioadmin@?scheme=http&endpoint_override=localhost%3A9000

（注意 endpoint_override 中 : 的 URL 转义）。

除其他应用程序外，这对于在远程 S3 存储桶上运行之前在本地测试代码可能很有用。

禁用环境变量

如上所述，可以使用环境变量来配置访问权限。但是，如果您希望通过 URI 或其他方法传入连接详细信息，但同时又定义了现有的 AWS 环境变量，则这些环境变量可能会干扰您的会话。例如，您可能会看到类似以下的错误消息

Error: IOError: When resolving region for bucket 'analysis': AWS Error [code 99]: curlCode: 6, Couldn't resolve host name

您可以使用 Sys.unsetenv() 取消设置这些环境变量，例如

Sys.unsetenv("AWS_DEFAULT_REGION")
Sys.unsetenv("AWS_S3_ENDPOINT")

默认情况下，AWS SDK 尝试检索有关用户配置的元数据，当通过 URI 传入连接详细信息时（例如，访问 MINIO 存储桶时），这可能会导致冲突。要禁用 AWS 环境变量的使用，您可以将环境变量 AWS_EC2_METADATA_DISABLED 设置为 TRUE。

Sys.setenv(AWS_EC2_METADATA_DISABLED = TRUE)

进一步阅读

要了解有关 FileSystem 类（包括 S3FileSystem 和 GcsFileSystem）的更多信息，请参见 help("FileSystem", package = "arrow")。
要查看依赖于托管在云存储上的数据的数据分析示例，请参见数据集文章。