如何使用 Python 打开和处理存储在 Google Cloud Storage 中的 CSV 文件

我正在使用 Google 云存储客户端库。

我正在尝试使用以下代码打开并处理 CSV 文件（已上传到存储桶）：

filename = '/<my_bucket/data.csv'
with gcs.open(filename, 'r') as gcs_file:
    csv_reader = csv.reader(gcs_file, delimiter=',', quotechar='"')

我收到错误“参数 1 必须是迭代器”以响应 csv.reader 的第一个参数（即 gcs_file）。显然 gcs_file 不支持迭代器 .next 方法。

关于如何进行的任何想法？我是否需要包装 gcs_file 并在其上创建迭代器，还是有更简单的方法？

我认为最好有自己的为 csv.reader 设计的包装器/迭代器。如果 gcs_file 支持Iterator协议，目前尚不清楚 next() 应该返回什么以始终适应其消费者。

根据 csv reader doc，它

返回一个读取器对象，它将迭代给定 csv 文件中的行。 csvfile 可以是任何支持迭代器协议并在每次调用其 next() 方法时返回字符串的对象 - 文件对象和列表对象都适合。如果 csvfile 是文件对象，则必须在有区别的平台上使用“b”标志打开它。

它期望来自底层文件的一大块原始字节，而不一定是一行。你可以有一个像这样的包装器（未经测试）：

class CsvIterator(object)
  def __init__(self, gcs_file, chunk_size):
     self.gcs_file = gcs_file
     self.chunk_size = chunk_size
  def __iter__(self):
     return self
  def next(self):
     result = self.gcs_file.read(size=self.chunk_size)
     if not result:
        raise StopIteration()
     return result

关键是一次读取一个块，这样当您有一个大文件时，就不会耗尽内存或经历 urlfetch 超时。

或者更简单。使用iter内置：

csv.reader(iter(gcs_file.readline, ''))