python - 将 DuckDB 与 s3 一起使用？

Question

我正在尝试在 jupyter notebook 中使用 DuckDB 来访问和查询 s3 中保存的一些 Parquet 文件，但似乎无法让它工作。根据过去的经验，我觉得我需要分配适当的文件系统，但我不确定如何/在何处执行此操作。

以下代码引发错误:RuntimeError: IO Error: No files found that match the pattern "s3://<bucket>/<file>.parquet"

import boto3
import duckdb

s3 = boto3.resource('s3')
client=boto3.client("s3")
con = duckdb.connect(database=':memory:', read_only=False)

con.execute("""
SET s3_region='-----';
SET s3_access_key_id='-----';
SET s3_secret_access_key='-----';
""")
out = con.execute(f"select * from parquet_scan('s3://<bucket>/<file>.parquet') limit 10;").fetchall()

我想使用 Pandas read_sql如果可以，请使用此功能，但放置此代码以避免增加问题的复杂性。

我很困惑，因为这段代码有效:

import pandas as pd
import boto3

s3 = boto3.resource('s3')
client=boto3.client("s3")

df = pd.read_parquet("s3://<bucket>/<file>.parquet")

Answer 1

HTTPFS 不包含在包中。但是，您可以从源代码构建它，请参阅下面的代码片段

这假设您在 Linux 机器或容器上安装了 python3/pip3。我使用的是 photon4 容器，在其他 linux 发行版上，包名称可能略有不同。

# install build dependencies
yum install build-essential cmake git openssl-devel python3-devel -y

# install python dependencies
pip3 install setuptools numpy

# clone repo with source code
git clone https://github.com/duckdb/duckdb && cd duckdb

# set a flag to build package with HTTPFS
export BUILD_HTTPFS=1
make

# once duckdb libs are built, do it again enabling python package
export BUILD_PYTHON=1
make

之后，即使不运行 pip install，它也应该可用。 如果你在单独的容器中构建它，你可以复制或替换这个文件: tools/pythonpkg/build/lib.linux-x86_64-3.9/duckdb.cpython-39-x86_64-linux-gnu.so 到目标机器上的 /usr/lib/python3.9/site-packages/