如何在SageMaker Notebook Instance中读取并解析S3的XML文件？

首先得明确报错原因：xml.etree.ElementTree.parse()只能处理本地文件路径或者已打开的本地文件对象，它没法直接识别S3的s3://格式URL，所以才会抛出找不到文件的错误。

下面给你两个实用的解决办法，按需选择：

方法1：先把S3文件下载到本地再解析 #

这个方法适合文件较大，或者你需要保留本地副本的场景：

import boto3
import xml.etree.ElementTree as ET
import os

# SageMaker Notebook默认会自动加载IAM角色权限，无需额外配置密钥
s3 = boto3.client('s3')

# 定义S3桶名和文件路径
bucket_name = 'data-bucket'
file_key = '1.xml'
local_tmp_path = '/tmp/1.xml'  # SageMaker的/tmp是临时存储，实例重启后会清空

# 下载文件到本地临时目录
s3.download_file(bucket_name, file_key, local_tmp_path)

# 解析本地文件
tree = ET.parse(local_tmp_path)
root = tree.getroot()

# （可选）解析完成后删除临时文件，节省空间
os.remove(local_tmp_path)

方法2：直接读取S3文件内容到内存解析（更高效） #

这个方法无需下载文件，直接把S3文件内容加载到内存转换成文件对象，适合小文件或追求效率的场景：

import boto3
import xml.etree.ElementTree as ET
from io import BytesIO

# 初始化S3客户端
s3 = boto3.client('s3')

# 获取S3文件的二进制内容
bucket_name = 'data-bucket'
file_key = '1.xml'
response = s3.get_object(Bucket=bucket_name, Key=file_key)
file_content = response['Body'].read()

# 将二进制内容包装成可被ElementTree识别的文件对象
file_obj = BytesIO(file_content)

# 解析内存中的文件对象
tree = ET.parse(file_obj)
root = tree.getroot()

额外注意事项 #

别忘了确认你的SageMaker Notebook Instance关联的IAM角色，已经拥有对目标S3桶的s3:GetObject权限。如果权限不足，即使代码正确也会出现访问被拒绝的错误，你可以在IAM控制台检查角色的权限策略，添加对应的S3访问权限。

内容的提问来源于stack exchange，提问作者Ivona Tau