GabrielGPT

Boto3

5 min read

Boto3

Contexto captura

Fecha: 2026-09-07 12:53 Origen: = this.origen Tipo: = this.tipo-captura

📝 Captura principal

Lo más importante

Boto3 es el SDK oficial de AWS para Python: permite llamar a las APIs de los servicios de AWS desde código, por ejemplo para crear un bucket de S3 o iniciar un trabajo de SageMaker.

🎯 Detalles / Contenido

Boto3 no crea servicios por sí mismo ni sustituye a pip; proporciona clientes y recursos que envuelven las APIs de AWS. Las credenciales deben obtenerse preferentemente mediante la cadena de credenciales de AWS (perfil, variables de entorno o rol IAM), no escribirse directamente en el código.

Para instalar el SDK en un entorno Python:

pip install boto3

El siguiente ejemplo separa un cliente S3 local de LocalStack de los clientes que llamarían a AWS real:

 
import boto3
 
region = 'us-east-1'
 
# 1. Cliente S3 contra LocalStack. Solo es un entorno local de pruebas.
s3 = boto3.client(
    's3',
    region_name=region,
    endpoint_url='http://localhost:4566',
    aws_access_key_id='test',
    aws_secret_access_key='test'
)
 
# Crear bucket de pruebas antes de subir archivos
bucket_name = 'test-bucket'
s3.create_bucket(Bucket=bucket_name)
print(f'Bucket "{bucket_name}" creado exitosamente.')
 
# Listar buckets
response = s3.list_buckets()
print("Buckets disponibles:")
for bucket in response['Buckets']:
    print(f" - {bucket['Name']}")
 
# 2. Cliente de SageMaker. Usa las credenciales configuradas para AWS.
sagemaker = boto3.client('sagemaker', region_name=region)
 
# A. Crear Training Job
training_job_name = 'test-training-job'
sagemaker.create_training_job(
    TrainingJobName=training_job_name,
    HyperParameters={'epochs': '10', 'learning_rate': '0.01'},
    AlgorithmSpecification={
        'TrainingImage': '763104351884.dkr.ecr.us-east-1.amazonaws.com/sagemaker-scikit-learn:0.23-1-cpu-py3',
        'TrainingInputMode': 'File'
    },
    RoleArn='arn:aws:iam::123456789012:role/SageMakerRole',
    InputDataConfig=[{
        'ChannelName': 'training',
        'DataSource': {
            'S3DataSource': {
                'S3DataDistributionType': 'FullyReplicated',
                'S3DataType': 'S3Prefix',
                'S3Uri': f's3://{bucket_name}/test'
            }
        }
    }],
    OutputDataConfig={'S3OutputPath': f's3://{bucket_name}/output'},
    ResourceConfig={
        'InstanceCount': 1,
        'InstanceType': 'ml.m4.xlarge',
        'VolumeSizeInGB': 30
    },
    StoppingCondition={'MaxRuntimeInSeconds': 3600}
)
print(f'Training job "{training_job_name}" creado.')
 
# ---------------------------------------------------------
# DESPLIEGUE DEL MODELO
# ---------------------------------------------------------
 
# Paso 1: Registrar el Modelo en SageMaker
model_name = 'test-sagemaker-model'
sagemaker.create_model(
    ModelName=model_name,
    PrimaryContainer={
        'Image': '763104351884.dkr.ecr.us-east-1.amazonaws.com/sagemaker-scikit-learn:0.23-1-cpu-py3',
        'ModelDataUrl': f's3://{bucket_name}/output/{training_job_name}/output/model.tar.gz'
    },
    ExecutionRoleArn='arn:aws:iam::123456789012:role/SageMakerRole'
)
print(f'Modelo "{model_name}" registrado.')
 
# Paso 2: Crear la Configuración del Endpoint
endpoint_config_name = 'test-endpoint-config'
sagemaker.create_endpoint_config(
    EndpointConfigName=endpoint_config_name,
    ProductionVariants=[
        {
            'VariantName': 'AllTraffic',
            'ModelName': model_name,
            'InitialInstanceCount': 1,
            'InstanceType': 'ml.t2.medium',
            'InitialVariantWeight': 1.0
        }
    ]
)
print(f'Endpoint Config "{endpoint_config_name}" creada.')
 
# Paso 3: Desplegar el Endpoint de SageMaker
endpoint_name = 'test-endpoint'
sagemaker.create_endpoint(
    EndpointName=endpoint_name,
    EndpointConfigName=endpoint_config_name
)
print(f'Endpoint "{endpoint_name}" desplegado correctamente.')
 
# Ingesta de Kinesis
kinesis_client = boto3.client('kinesis', region_name=region)
kinesis_client.put_record(
    StreamName='my_stream',
    Data=b'evento de prueba',
    PartitionKey='key'
)
 
# Transformacion de datos con Glue
glue_client = boto3.client('glue', region_name=region)
glue_client.start_job_run(JobName='my_etl_job')
 
# Analisis con Athena
athena_client = boto3.client('athena', region_name=region)
athena_client.start_query_execution(QueryString='SELECT * FROM my_table')
 
 
# Manda un mensaje con SNS
sns = boto3.client('sns')
response = sns.publish(
    TopicArn='arn:aws:sns:us-east-1:123456789012:MyTopic',
    Message='Hello, AWS SNS!',
)
 
print(response)

El ejemplo requiere que LocalStack esté ejecutándose para S3 y que, en AWS, existan el rol IAM, la imagen de entrenamiento, los datos de entrada, el stream de Kinesis, el job de Glue y la tabla consultada.

🔑 Keywords / Conceptos clave

Boto3, SDK, Python

Para RAG

Estos keywords ayudarán a encontrar esta nota después

🎴 Flashcards

¿Qué es Boto3?::Es el SDK oficial de AWS para Python; permite llamar a las APIs de los servicios de AWS desde código. aws boto3 python

¿Es Boto3 un gestor de paquetes?::No. Boto3 es una librería/SDK; se instala como paquete Python, normalmente con pip install boto3, pero su función es acceder a APIs de AWS. aws boto3 python

¿Qué es un cliente de Boto3?::Es un objeto que permite llamar directamente a las operaciones de un servicio de AWS, como s3.list_buckets() o glue.start_job_run(). aws boto3

¿Cómo debería gestionar las credenciales una aplicación que usa Boto3?::Debe usar la cadena de credenciales de AWS, como un perfil, variables de entorno o un rol IAM, evitando claves escritas en el código. aws boto3 security

¿Para qué sirve endpoint_url en Boto3?::Para dirigir las llamadas a un endpoint alternativo, por ejemplo LocalStack durante pruebas locales, en lugar del endpoint real de AWS. aws boto3 localstack

¿Qué tipo de dato necesita Kinesis.put_record en el parámetro Data?::Bytes o un valor que pueda convertirse al formato esperado; por ejemplo, b'evento de prueba'. aws boto3 kinesis

¿Qué prerrequisitos necesita el ejemplo de SageMaker?::Un rol IAM válido, una imagen de entrenamiento accesible, datos de entrada en S3 y permisos para SageMaker y S3. aws sagemaker boto3

¿Qué diferencia hay entre Boto3 y AWS CLI?::Ambos pueden llamar a APIs de AWS, pero Boto3 se integra en programas Python y AWS CLI se utiliza principalmente desde la terminal o scripts de shell. aws boto3

💡 Formato recomendado:

  • Inline: ¿Pregunta?::Respuesta #tags
  • Reversa: Término:::Definición #tags
  • Cloze: Texto con ==palabra== oculta

❓ Preguntas / Dudas pendientes

  • [ ]
  • [ ]

🧩 Conexiones potenciales

✅ Checklist procesamiento

  • Revisar y expandir contenido
  • Crear flashcards si es necesario
  • Hacer ejercicios relacionados
  • Conectar con otras notas ()
  • Actualizar nivel de comprensión
  • Mover a vault definitivo / Cambiar status a 🌿

💭 Notas adicionales / Ideas rápidas

Es un paquete que se descarga directamente con código para crear los servicios de AWS

📋 Metadata resumen

CampoValor
Capturado2026-09-07 12:53
Área/Tema= this.area
Estado= this.status
Prioridad= this.prioridad
Revisión= this.proxima-revision
Nivel de comprensión= this.nivel-comprension

pendiente-procesar captura-rapida

🧪 Aplicación

  • Explicarlo sin consultar la nota
  • Resolver un caso nuevo o escribir un ejemplo
  • Compararlo con una alternativa
  • Usarlo en un proyecto

🔗 Conexiones explicadas

  • — Se relaciona porque…

Graph View