python - 如何使用 s3 对象名称作为 MRJob 映射器的输入，而不是 s3 对象本身？

Question

关于 Yelp 的 mrjob job，我遗漏了一些明显的东西图书馆。设置 MRJob 类非常简单。在 file 上运行它或标准输入也如此。但是，如何将作业的输入从本地或 s3 中的文件更改为 s3 存储桶中的键？

是这样的。假设我想计算 S3 存储桶中以字符串“foo”开头的所有对象:

import re

class MRCountS3Objects(MRJob):

    define mapper(self, _, botoS3Key):
        if re.match('^foo', botoS3Key.name):
            yield 'foo', 1

    define reduce(self, name, occurrences):
        yield name, sum(occurrences)

这是一个非常人为的例子，但你可能明白我的意思。我如何告诉 MRJob 对 s3 对象流进行操作，而忽略对象的内容？我看到了 S3Filesystem.get_s3_keys() method ，这让我得到了我需要的流，但我不确定从那里去哪里。

Answer 1

想出了至少一种方法来实现这一目标。您的 MRJob 有一个 stdin 属性，可以分配给任何迭代器，然后您可以以编程方式运行该作业。例如，这段代码应该处理 my-bucket 的键名:

from mrjob.job import MRJob
from mrjob.emr import EMRJobRunner

class MRS3KeyProcessor(MRJob):
    # Do some MRJob stuff.
    ...

def s3_name_generator(bucket):
    """Generator that returns boto.s3.Key names.
    """
    # Could also use raw boto here.
    emr = EMRJobRunner()
    key_stream = emr.fs.get_s3_keys(bucket)
    for key in key_stream:
        yield key.name

def main():
    # The '-' argument signifies that we use stdin.
    mr_job = MRCountS3Objects(['--runner', 'inline', '-'])
    stdin = s3_name_generator('my-bucket')
    mr_job.stdin = stdin
    results = []
    with mr_job.make_runner() as runner:
        runner.run()
        for line in runner.stream_output():
            key, value = mr_job.parse_output_line(line)
            results.append((key, value))
    print(results)

if __name__ == '__main__':
    main()