Apache Arrow DataFusion 支持访问无需认证的公开 S3 存储桶
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:
- 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
- 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
- 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。
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息09GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0273get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java01Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









