首页
/ Apache Arrow DataFusion 支持访问无需认证的公开 S3 存储桶

Apache Arrow DataFusion 支持访问无需认证的公开 S3 存储桶

2025-06-13 03:34:56作者:滕妙奇

在数据分析领域,Apache Arrow DataFusion 作为一个高性能的查询引擎,其命令行工具 datafusion-cli 近期面临一个关于 S3 存储访问的改进需求。目前,当用户尝试访问某些公开的 S3 存储桶(如 clickbench 公共数据集)时,即使这些存储桶不需要任何身份验证,系统仍然强制要求提供 AWS 凭证,这显然不符合实际使用场景的需求。

背景与现状

许多公共数据集存储在 S3 上并设置为公开访问,例如 clickhouse-public-datasets。这类存储桶通常允许任何用户直接读取数据而无需身份验证。然而,当前 datafusion-cli 的实现中,即使用户明确知道目标存储桶是公开的,仍然必须配置 AWS 凭证才能访问,否则会返回"the credential provider was not enabled"的错误。

这种限制不仅增加了不必要的配置复杂度,也与业界其他工具(如 ClickHouse)的行为不一致。例如,ClickHouse 允许用户直接通过 S3 表引擎访问公开存储桶,无需任何凭证配置。

技术实现方案

DataFusion 底层使用的 object_store 库实际上已经支持跳过签名验证的功能。具体来说,AmazonS3Builder 提供了 with_skip_signature 方法,可以绕过凭证验证流程。当前需要的是在 datafusion-cli 中暴露这一功能,使用户能够灵活选择是否跳过签名验证。

理想的解决方案是允许用户通过 SQL 语句的 OPTIONS 部分指定相关参数。例如:

CREATE EXTERNAL TABLE hits
STORED AS PARQUET 
LOCATION 's3://clickhouse-public-datasets/hits_compatible/hits.parquet' 
OPTIONS(aws.skip_signature true, aws.region 'eu-central-1');

更进一步,系统还可以实现自动检测机制:当用户没有提供任何凭证时,自动尝试以无验证方式访问 S3 存储桶,仅在访问失败时才要求提供凭证。

技术挑战与考量

实现这一功能时需要考虑几个关键点:

  1. 安全性:虽然跳过验证对公开存储桶是必要的,但需要确保不会意外地将需要验证的私有存储桶暴露为公开访问
  2. 兼容性:保持与现有凭证配置方式的兼容,不影响已使用凭证验证的用户
  3. 错误处理:当存储桶实际需要验证而用户配置了跳过验证时,需要提供清晰的错误信息

未来展望

这一改进将显著提升 DataFusion 在访问公共数据集场景下的用户体验。它不仅简化了配置流程,也使 DataFusion 在功能上与其他数据分析工具保持了一致。对于数据分析师和研究人员来说,这意味着他们可以更便捷地访问各种公开基准测试数据集,如 clickbench 等,从而更高效地进行性能测试和算法验证。

随着数据开放共享的趋势不断增强,支持无需认证的公共数据访问将成为查询引擎的一项重要能力。DataFusion 的这一改进将使其在开源数据分析生态系统中保持竞争力,并为用户提供更加灵活的数据处理能力。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
866
513
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
261
302
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K