Il modo più veloce per scaricare 3 milioni di oggetti da un secchio S3
Domanda
Ho provato con Python + boto + multiprocessing, S3cmd e J3tset ma alle prese con tutti loro.
Qualche suggerimento, forse uno script già pronti hai utilizzato o in un altro modo in cui io non conosco?
Modifica
eventlet + boto è una soluzione utile come indicato di seguito. Abbiamo trovato un buon articolo eventlet riferimento qui http://web.archive.org/web/20110520140439/http://teddziuba.com/2010/02/eventlet-asynchronous-io-for-g.html
Ho aggiunto lo script python che sto usando in questo momento al di sotto.
Soluzione
Va bene, ho capito una soluzione basata su suggerimento di @ Matt Billenstien. Esso utilizza eventlet biblioteca. Il primo passo è più importante qui (scimmia patch di librerie standard IO).
eseguire questo script in background con nohup e sei a posto.
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()
Altri suggerimenti
Usa eventlet per darvi I / O il parallelismo, scrivere una funzione semplice per scaricare un oggetto utilizzando urllib, quindi utilizzare un GreenPile per mappare che a un elenco di URL di ingresso - un palo con 50 a 100 greenlets dovrebbe fare .. .