boto 获取 md5 s3 文件

Question

我有一个使用案例，我使用分段上传将数百个文件上传到我的 S3 存储桶。每次上传后，我需要确保上传的文件没有损坏（基本上检查数据完整性）。目前，上传文件后，我重新下载并计算内容字符串上的md5，并将其与本地文件的md5进行比较。所以像：

conn = S3Connection('access key', 'secretkey')
bucket = conn.get_bucket('bucket_name')
source_path = 'file_to_upload'
source_size = os.stat(source_path).st_size

mp = bucket.initiate_multipart_upload(os.path.basename(source_path))
chunk_size = 52428800
chunk_count = int(math.ceil(source_size / chunk_size))

for i in range(chunk_count + 1):
   offset = chunk_size * i
   bytes = min(chunk_size, source_size - offset)
   with FileChunkIO(source_path, 'r', offset=offset, bytes=bytes) as fp:
       mp.upload_part_from_file(fp, part_num=i + 1, md5=k.compute_md5(fp, bytes))
mp.complete_upload()
    
obj_key = bucket.get_key('file_name')
print(obj_key.md5) #prints None
print(obj_key.base64md5) #prints None

content = bucket.get_key('file_name').get_contents_as_string()
# compute the md5 on content

这种方法很浪费，因为它会使带宽使用量翻倍。我试过了

bucket.get_key('file_name').md5 
bucket.get_key('file_name').base64md5 

但两者都返回 None。

有没有其他方法可以在不下载整个东西的情况下实现md5？

Answer 1

是的
使用bucket.get_key('file_name').etag[1 :-1]
这样就可以得到key的MD5而不用下载它的内容。

Answer 2

使用 boto3，我使用 head_object 来检索 ETag。

import boto3
import botocore

def s3_md5sum(bucket_name, resource_name):
    try:
        md5sum = boto3.client('s3').head_object(
            Bucket=bucket_name,
            Key=resource_name
        )['ETag'][1:-1]
    except botocore.exceptions.ClientError:
        md5sum = None
        pass
    return md5sum

Answer 3

自 2016 年以来，无需任何额外对象检索的最佳方法是在 PutObject 请求期间提供 --content-md5 参数。 AWS 将验证提供的 MD5 是否与他们计算的 MD5 匹配。这也适用于分段上传和 >5GB 的对象。

来自知识中心的示例调用：

aws s3api put-object --bucket awsexamplebucket --key awsexampleobject.txt --body awsexampleobjectpath --content-md5 examplemd5value1234567== --metadata md5checksum=examplemd5value1234567==

https://aws.amazon.com/premiumsupport/knowledge-center/data-integrity-s3/

Answer 4

您可以在不下载文件的情况下从e_tag 属性中恢复md5，如下所示：

boto3.resource('s3').Object(<BUCKET_NAME>, file_path).e_tag[1 :-1]

然后用这个函数比较classic s3文件：

def md5_checksum(file_path):
    m = hashlib.md5()
    with open(file_path, 'rb') as f:
        for data in iter(lambda: f.read(1024 * 1024), b''):
            m.update(data)
    return m.hexdigest()

或者这个函数用于多部分文件：

def etag_checksum(file_path, chunk_size=8 * 1024 * 1024):
    md5s = []
    with open(file_path, 'rb') as f:
        for data in iter(lambda: f.read(chunk_size), b''):
            md5s.append(hashlib.md5(data).digest())
    m = hashlib.md5("".join(md5s))
    return '{}-{}'.format(m.hexdigest(), len(md5s))

最后用这个函数在两者之间进行选择：

def md5_compare(file_path, s3_file_md5):
    if '-' in s3_file_md5 and s3_file_md5 == etag_checksum(file_path):
        return True
    if '-' not in s3_file_md5 and s3_file_md5 == md5_checksum(file_path):
        return True
    print("MD5 not equals for file " + file_path)
    return False

归功于：https://zihao.me/post/calculating-etag-for-aws-s3-objects/