我正在尝试执行以下操作:
- 从 S3 下载 Athena 查询的输出 (
file.csv
) - gzip 输出并上传到不同的 S3 位置 (
file.csv.gz
) - 使用 Ruby SDK 中的 S3 Select 查询
file.csv.gz
的内容
我总是收到以下错误,总是“near byte 8192”,即使 file.csv.gz
的内容完全不同:
Aws::S3::Errors::InvalidTextEncoding(需要 UTF-8 编码。在字节 8,192 附近发现文本编码错误。)
注意:对相同的未压缩的 file.csv
使用相同的 S3 Select 查询可以按预期工作。我尝试过各种奇怪的事情,但却充满了绝望。
重现步骤:
- 从文件
s3://mybucket/file.csv
开始 - 使用 aws-cli 下载:
aws s3 cp s3://mybucket/file.csv file.csv
- Gzip 文件:
gzip file.csv
- 上传
file.csv.gz
:aws s3 cp file.csv.gz s3://mybucket/file.csv.gz
代码如下:
class RunsS3SelectQueries
def self.client
@client ||= Aws::S3::Client.new
end
def self.run_query(sql:, bucket:, key:)
data = ""
handler = Aws::S3::EventStreams::SelectObjectContentEventStream.new
handler.on_records_event do |event|
puts "----records payload:----"
payload = event.payload.read
data += payload
end
handler.on_stats_event do |event|
# get :stats event that contains progress information
puts event.details.inspect
# => Aws::S3::Types::Stats bytes_scanned=xx, bytes_processed=xx, bytes_returned=xx
end
params = {
bucket: bucket,
key: key,
expression_type: "SQL",
expression: sql,
input_serialization: {
csv: { file_header_info: "USE"}
},
output_serialization: {
csv: {}
},
event_stream_handler: handler,
}
client.select_object_content(params)
data
end
end
以下收到文本编码错误。
output = RunsS3SelectQueries.run_query(sql: %q{SELECT * FROM S3Object }, bucket: 'mybucket', key: 'file.csv.gz')
但是,针对未压缩的 file.csv
运行不会:
output = RunsS3SelectQueries.run_query(sql: %q{SELECT * FROM S3Object }, bucket: 'mybucket', key: 'file.csv')
我尝试了文本编码、内容类型元数据、内容编码等的各种组合,但似乎找不到任何有效的方法。在我看来,它总是在字节 8192 上出现错误这一事实非常奇怪/可疑。
任何帮助将不胜感激!
最佳答案
您需要指定输入在 input_serialization
中进行 gzip 压缩,否则 s3 将尝试解码 gzip header ,并会收到有关其在字节 8192 处不是有效 utf-8 的错误。
像下面这样的东西会起作用:
输入序列化:{
csv: { file_header_info: "使用"}
压缩类型:“GZIP”
}
关于aws-sdk-ruby - 将 AWS S3 Select 与适用于 Ruby 的 AWS 开发工具包结合使用时出现编码错误,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52320081/