Gravando consultas grandes no disco

Dimensionamento e Otimização de Pipelines de Dados com Polars

Liam Brannigan

Data Scientist & Polars Contributor

Problema de saída grande

Diagrama mostrando uma consulta lazy gerando um grande extrato que preserva linhas e deve ser escrito direto no disco.

Um dataset de solicitações limpo

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

clean_requests = (
    requests





)

Um dataset de solicitações limpo

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"),
    )
)

Coletar e depois gravar

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

Gravando em Parquet com sink

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Controlando o sink

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

Outros métodos de sink

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

Saída particionada

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Saída particionada

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

)

Saída particionada

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

Saída particionada

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

Partições multi-coluna

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

Criando sinks lazy

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

Criando 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,
)

Multiplexando sinks

pl.collect_all(
    [internal_sink, public_sink],
)

Saídas gravadas

311_requests_internal.parquet
311_requests_public.parquet

Sinks de lote personalizados

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

Sinks de lote personalizados

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

Fluxo de trabalho de sink

Use sink_parquet() para gravar resultados grandes direto no disco

Use PartitionBy() para dividir a saída em um conjunto particionado

Use sinks lazy com collect_all() para planejar e executar várias saídas juntas

Use sink_batches() quando cada lote for para uma função personalizada

Vista isométrica de um sistema de ordenação distribuindo dados em gavetas particionadas organizadas

Vamos praticar!

Dimensionamento e Otimização de Pipelines de Dados com Polars