4

我在 AWS S3 中有一个 CSV 文件,我试图在本地临时文件中打开它。这是代码:

s3 = Aws::S3::Resource.new
bucket = s3.bucket({bucket name})
obj = bucket.object({object key})
temp = Tempfile.new('temp.csv')
obj.get(response_target: temp)

它从 AWS 中提取文件并将其加载到一个名为“temp.csv”的新临时文件中。对于某些文件,该obj.get(..)行会引发以下错误:

WARN: Encoding::UndefinedConversionError: "\xEF" from ASCII-8BIT to UTF-8
WARN: /Users/.rbenv/versions/2.5.0/lib/ruby/2.5.0/delegate.rb:349:in `write'
/Users/.rbenv/versions/2.5.0/lib/ruby/2.5.0/delegate.rb:349:in `block in delegating_block'
/Users/.rbenv/versions/2.5.0/lib/ruby/gems/2.5.0/gems/aws-sdk-core-3.21.2/lib/seahorse/client/http/response.rb:62:in `signal_data'
/Users/.rbenv/versions/2.5.0/lib/ruby/gems/2.5.0/gems/aws-sdk-core-3.21.2/lib/seahorse/client/net_http/handler.rb:83:in `block (3 levels) in transmit'
...
/Users/.rbenv/versions/2.5.0/lib/ruby/gems/2.5.0/gems/aws-sdk-s3-1.13.0/lib/aws-sdk-s3/client.rb:2666:in `get_object'
/Users/.rbenv/versions/2.5.0/lib/ruby/gems/2.5.0/gems/aws-sdk-s3-1.13.0/lib/aws-sdk-s3/object.rb:657:in `get'

Stacktrace 显示错误最初是由.get适用于 Ruby 的 AWS 开发工具包引发的。

我尝试过的事情:

将文件(对象)上传到 AWS S3 时,您可以指定content_encoding,因此我尝试将其设置为 UTF-8:

obj.upload_file({file path}, content_encoding: 'utf-8')

此外,当您打电话时,.get您可以设置response_content_encoding

obj.get(response_target: temp, response_content_encoding: 'utf-8')

这些都不起作用,它们会导致与上述相同的错误。我真的希望这样做可以解决问题。在 AWS S3 仪表板中,我可以看到确实通过代码正确设置了内容编码,但它似乎没有任何区别。

当我在上面的第一个代码片段中执行以下操作时,它确实有效:

temp = Tempfile.new('temp.csv', encoding: 'ascii-8bit')

但我更喜欢使用正确的编码从 AWS S3 上传和/或下载文件。有人可以解释为什么在临时文件上指定编码有效吗?或者如何通过 AWS S3 上传/下载使其工作?

需要注意的重要一点:错误消息中的问题字符似乎只是在我正在使用的这个自动生成的文件的开头添加的随机符号。我不担心正确读取字符,无论如何解析文件时它都会被忽略。

4

3 回答 3

6

对于您的所有问题,我没有完整的答案,但我认为我有一个通用的解决方案,那就是始终将临时文件置于二进制模式。这样,AWS gem 将简单地将存储桶中的数据转储到文件中,而无需任何进一步的重新/编码:

第 1 步(将 Tempfile 放入 binmode):

temp = Tempfile.new('temp.csv')
temp.binmode

但是,您会遇到一个问题,那就是您的 UTF-8 文件中现在有一个 3 字节的 BOM 标头。

我不知道这个 BOM 是从哪里来的。文件上传的时候在吗?如果是这样,在上传之前剥离 3 字节 BOM 可能是个好主意。

但是,如果您将系统设置如下,则无关紧要,因为 Ruby 支持透明读取带或不带 BOM 的 UTF-8,并且无论 BOM 标头是否在文件中,都将正确返回字符串:

第 2 步(使用 bom|utf-8 处理文件):

File.read(temp.path, encoding: "bom|utf-8")
# or...
CSV.read(temp.path,  encoding: "bom|utf-8")

这应该涵盖我认为的所有基础。无论您收到编码为 BOM + UTF-8 还是纯 UTF-8 的文件,您都将通过这种方式正确处理它们,最终字符串中不会出现任何额外的标头字符,并且在使用 AWS 保存它们时不会出错。

另一种选择(来自OP)

改为使用,这将绕过和 Tempfileobj.get.body的整个问题。response_target

有用的参考资料:
有没有办法从 UTF-8 编码文件中删除 BOM?
读取文件时如何避免绊倒 UTF-8 BOM
UTF-8 和没有 BOM 的 UTF-8 有什么区别?
如何在 Ruby 中将 BOM 标记写入文件

于 2018-08-08T23:06:23.670 回答
1

我通过File.open(tmp, 'wb')另外使用修复了这个编码问题。这是它的样子:

s3_object = Aws::S3::Resource.new.bucket("bucket-name").object("resource-key")

Tempfile.new.tap do |file|
   s3_object.get(response_target: File.open(file, "wb"))
end
于 2019-09-12T09:29:58.040 回答
0

Ruby SDK 文档在https://docs.aws.amazon.com/sdk-for-ruby/v3/developer-guide/s3-example-get-bucket-item中有一个将 S3 项目下载到文件系统的示例。 .html _ 我刚刚运行它,它工作正常。

于 2018-08-13T17:53:19.790 回答