Enviar consultas grandes al disco

Escala y optimiza canalizaciones de datos con Polars

Liam Brannigan

Data Scientist & Polars Contributor

Un problema de salida grande

Diagrama que muestra una consulta lazy que produce una gran extracción que conviene escribir directamente en disco.

Un dataset de solicitudes limpio

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

clean_requests = (
    requests





)

Un dataset de solicitudes limpio

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"),
    )
)

Recoger y luego escribir

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

Enviar a Parquet con sink

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Controlar el sink

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

Otros métodos de sink

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

Salida particionada

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Salida particionada

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

)

Salida particionada

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

Salida particionada

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

Particiones por varias columnas

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

Crear sinks lazy

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

Crear sinks 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,
)

Multiplexar sinks

pl.collect_all(
    [internal_sink, public_sink],
)

Salidas escritas

311_requests_internal.parquet
311_requests_public.parquet

Sinks por lotes personalizados

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

Sinks por lotes personalizados

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

Flujo de trabajo con sinks

Usa sink_parquet() para escribir resultados grandes directamente en disco

Usa PartitionBy() para dividir la salida en un dataset particionado

Usa sinks lazy con collect_all() para planificar y ejecutar varias salidas a la vez

Usa sink_batches() cuando cada lote deba ir a una función personalizada

Vista isométrica de un sistema que ordena datos y los distribuye en cajones particionados

¡Vamos a practicar!

Escala y optimiza canalizaciones de datos con Polars