Menulis kueri besar ke disk

Menskalakan dan Mengoptimalkan Pipeline Data dengan Polars

Liam Brannigan

Data Scientist & Polars Contributor

Masalah output besar

Diagram yang menunjukkan kueri lazy menghasilkan ekstrak besar yang mempertahankan baris dan sebaiknya ditulis langsung ke disk.

Dataset permintaan yang dibersihkan

requests = pl.scan_parquet("311_Service_Requests.parquet")

clean_requests = (
    requests





)

Dataset permintaan yang dibersihkan

requests = pl.scan_parquet("311_Service_Requests.parquet")

clean_requests = (
    requests
    .with_columns(
        pl.col("CREATED_DATE").dt.date(),
        pl.col("WARD").cast(pl.Int16),
        (pl.col("STATUS") == "Completed").alias("IS_COMPLETED"),
    )
)

Kumpulkan lalu tulis

clean_requests.collect(
    engine="streaming"
).write_parquet(
    "311_requests_clean.parquet"
)

Sink ke Parquet

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Mengatur sink

clean_requests.sink_parquet(
    "311_requests_clean.parquet",
    compression="zstd",
    row_group_size=100_000,
)

Metode sink lain

df.sink_csv("output.csv")
df.sink_ndjson("output.ndjson")

Output terpartisi

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Output terpartisi

clean_requests.sink_parquet(
    pl.PartitionBy(
        "311_requests_clean/",
        key="CREATED_DATE",
        max_rows_per_file=1_000_000,
    ),

)

Output terpartisi

clean_requests.sink_parquet(
    pl.PartitionBy(
        "311_requests_clean/",
        key="CREATED_DATE",
        max_rows_per_file=1_000_000,
    ),
    mkdir=True,
)

Output terpartisi

311_requests_clean/
  CREATED_DATE=2025-12-31/
    00000000.parquet
  CREATED_DATE=2026-01-01/
    00000000.parquet

Partisi multi-kolom

clean_requests.sink_parquet(
    pl.PartitionBy(
        "311_requests_clean/",
        key=["STATUS", "CREATED_DATE"],
    ),
    mkdir=True,
)

Membangun sink lazy

internal_sink = clean_requests.sink_parquet(
    "311_requests_internal.parquet",
    lazy=True,
)

Membangun sink lazy

internal_sink = clean_requests.sink_parquet(
    "311_requests_internal.parquet",
    lazy=True,
)

public_sink = clean_requests.drop("REQUEST_ID","REPORTER").sink_parquet(
    "311_requests_public.parquet",
    lazy=True,
)

Multiplexing sink

pl.collect_all(
    [internal_sink, public_sink],
)

Output yang ditulis

311_requests_internal.parquet
311_requests_public.parquet

Sink batch kustom

def send_batch(batch: pl.DataFrame) -> None:
    print(batch.height)
    batch_json = batch.write_json()
    # send batch_json to an API

Sink batch kustom

clean_requests.sink_batches(
    send_batch,
    chunk_size=50_000,
)

Alur kerja sink

Gunakan sink_parquet() untuk menulis hasil kueri besar langsung ke disk

Gunakan PartitionBy() untuk membagi output menjadi dataset terpartisi

Gunakan sink lazy dengan collect_all() untuk merencanakan dan mengeksekusi beberapa output sekaligus

Gunakan sink_batches() saat tiap batch dikirim ke fungsi kustom

Tampilan isometrik sistem pengurutan data yang mendistribusikan data ke laci partisi yang rapi

Ayo berlatih!

Menskalakan dan Mengoptimalkan Pipeline Data dengan Polars