我需要将一个包含约 1800 万行和 7 列的 3 GB csv 文件分别从 S3 加载到 R 或 RStudio 中。我从 S3 读取数据的代码通常是这样工作的:
library("aws.s3")
obj <-get_object("s3://myBucketName/aFolder/fileName.csv")
csvcharobj <- rawToChar(obj)
con <- textConnection(csvcharobj)
data <- read.csv(file = con)
现在,由于文件比平常大得多,我收到一个错误
> csvcharobj <- rawToChar(obj)
Error in rawToChar(obj) : long vectors not supported yet: raw.c:68
阅读this post ,我知道向量太长,但是在这种情况下我将如何对数据进行子集化?对于如何处理从 S3 读取的较大文件还有其他建议吗?
最佳答案
最初基于 Hugh 在 OP 中的评论,并为那些希望从 s3 加载常规大小 csv 的人添加答案。
至少截至 2019 年 5 月 1 日,有一个 s3read_using()函数允许您直接从存储桶中读取对象。
因此
data <-
aws.s3::s3read_using(read.csv, object = "s3://your_bucketname/your_object_name.csv.gz")
会成功的。但是,如果您想让您的工作运行得更快、更干净,我更喜欢这样:
data <-
aws.s3::s3read_using(fread, object = "s3://your_bucketname/your_object_name.csv.gz") %>%
janitor::clean_names()
以前需要以下更详细的方法:
library(aws.s3)
data <-
save_object("s3://myBucketName/directoryName/fileName.csv") %>%
data.table::fread()
它适用于至少 305 MB 的文件。
用加载的每个 csv 的副本填充工作目录的更好替代方法:
data <-
save_object("s3://myBucketName/directoryName/fileName.csv",
file = tempfile(fileext = ".csv")
) %>%
fread()
如果您对临时文件的位置感到好奇,那么 Sys.getenv()
可以提供一些见解 - 请参阅 TMPDIR
TEMP
或TMP
。更多信息可参见the Base R tempfile docs. .
关于将大型 csv 文件从 S3 读取到 R 中,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46668533/