La forma más rápida para descargar 3 millones de objetos a partir de un depósito de S3

Question

He intentado usar Python + + boto multiprocesamiento, S3cmd y J3tset pero luchando con todos ellos.

Cualquier sugerencia, tal vez un guión ya hecho que ha estado utilizando o de otra manera no conozco?

EDIT:

eventlet + boto es una solución que vale la pena como se menciona a continuación. Encontrado un artículo de buena referencia eventlet aquí http://web.archive.org/web/20110520140439/http://teddziuba.com/2010/02/eventlet-asynchronous-io-for-g.html

He añadido el script en Python que estoy usando ahora mismo a continuación.

Answer 1

De acuerdo, me di cuenta de una solución basada en la insinuación de Billenstien @ Matt. Utiliza eventlet biblioteca. El primer paso es el más importante en este caso (parches mono de bibliotecas estándar IO).

Ejecutar este proceso en el fondo con nohup y ya está todo listo.

from eventlet import *
patcher.monkey_patch(all=True)

import os, sys, time
from boto.s3.connection import S3Connection
from boto.s3.bucket import Bucket

import logging

logging.basicConfig(filename="s3_download.log", level=logging.INFO)


def download_file(key_name):
    # Its imp to download the key from a new connection
    conn = S3Connection("KEY", "SECRET")
    bucket = Bucket(connection=conn, name="BUCKET")
    key = bucket.get_key(key_name)

    try:
        res = key.get_contents_to_filename(key.name)
    except:
        logging.info(key.name+":"+"FAILED")

if __name__ == "__main__":
    conn = S3Connection("KEY", "SECRET")
    bucket = Bucket(connection=conn, name="BUCKET")

    logging.info("Fetching bucket list")
    bucket_list = bucket.list(prefix="PREFIX")

    logging.info("Creating a pool")
    pool = GreenPool(size=20)

    logging.info("Saving files in bucket...")
    for key in bucket.list():
        pool.spawn_n(download_file, key.key)
    pool.waitall()

Answer 2

Uso eventlet para darle E / S paralelismo, escribir una función simple para descargar un objeto usando urllib, a continuación, utilizar un GreenPile al mapa que a una lista de URL de entrada - una pila con 50 a 100 Verdecillo debe hacer .. .