大規模データの個人情報の削除、S3ストリーミングを活用したPythonスクリプトの実装

import boto3
import gzip
import csv
import io
from botocore.exceptions import ClientError

def process_s3_gzip_tsv(input_bucket, input_key, output_bucket, output_key, condition_col, condition_val):
    # ストリーミング用のバッファサイズ
    buffer_size = 5 * 1024 * 1024  # 5MB

    # 処理したレコード数とフィルタリングされたレコード数を追跡
    total_records = 0
    filtered_records = 0
    written_records = 0

    try:
        # 入力ファイルをストリーミングで読み込む
        response = s3_client.get_object(Bucket=input_bucket, Key=input_key)
        stream = response['Body']

        output_buffer = io.BytesIO()

        with gzip.GzipFile(fileobj=stream, mode='r') as gzip_file:
            reader = csv.reader(io.TextIOWrapper(gzip_file, encoding='utf-8'), delimiter='\t')

            # ヘッダーを処理
            header = next(reader)
            column_a_index = header.index(condition_col)

            # ヘッダーを書き込む
            output_buffer.write(('\t'.join(header) + '\n').encode('utf-8'))

            for row in reader:
                total_records += 1

                # 列Aの値が条件に一致しない場合、行を書き込む
                if row[column_a_index] != condition_val:
                    output_buffer.write(('\t'.join(row) + '\n').encode('utf-8'))
                    written_records += 1
                else:
                    filtered_records += 1

        # 圧縮してアップロード
        output_buffer.seek(0)
        compressed_data = gzip.compress(output_buffer.getvalue())

        if len(compressed_data) < 5 * 1024 * 1024:  # 5MB未満の場合は通常のアップロードを使用
            s3_client.put_object(Bucket=output_bucket, Key=output_key, Body=compressed_data)
        else:
            # マルチパートアップロードを開始
            mpu = s3_client.create_multipart_upload(Bucket=output_bucket, Key=output_key, ContentType='application/gzip')
            parts = []

            for i in range(0, len(compressed_data), buffer_size):
                part_number = i // buffer_size + 1
                part = s3_client.upload_part(
                    Bucket=output_bucket,
                    Key=output_key,
                    PartNumber=part_number,
                    UploadId=mpu['UploadId'],
                    Body=compressed_data[i:i+buffer_size]
                )
                parts.append({
                    'PartNumber': part_number,
                    'ETag': part['ETag']
                })

            # マルチパートアップロードを完了
            s3_client.complete_multipart_upload(
                Bucket=output_bucket,
                Key=output_key,
                UploadId=mpu['UploadId'],
                MultipartUpload={'Parts': parts}
            )

        print(f"処理完了: 合計 {total_records} レコード、フィルタリング {filtered_records} レコード、書き込み {written_records} レコード")

        # 出力ファイルが0バイトでないことを確認
        output_size = s3_client.head_object(Bucket=output_bucket, Key=output_key)['ContentLength']
        if output_size == 0:
            raise ValueError("出力ファイルが0バイトです。")
        else:
            print(f"出力ファイルサイズ: {output_size} バイト")

    except ClientError as e:
        print(f"エラー: {e}")
        raise

PROFILE_NAME = 'ishikawa'
session = boto3.Session()
if PROFILE_NAME in boto3.Session().available_profiles:
    session = boto3.Session(profile_name=PROFILE_NAME)
s3_client = session.client('s3')

input_bucket = 'cm-test'
input_key = 'ssbgz/customer/customer.tsv.gz'
output_bucket = 'cm-test'
output_key = 'ssbgz/customer/customer_new.tsv.gz'
condition_col = "c_custkey"
condition_val = "1"

process_s3_gzip_tsv(input_bucket, input_key, output_bucket, output_key, condition_col, condition_val)

$ python csvrep.py
処理完了: 合計 3000000 レコード、フィルタリング 1 レコード、書き込み 2999999 レコード
出力ファイルサイズ: 87804002 バイト

python csvrep.py  11.73s user 0.56s system 32% cpu 38.095 total