Große Abfragen direkt auf Disk schreiben

Skalieren und Optimieren von Data-Pipelines mit Polars

Liam Brannigan

Data Scientist & Polars Contributor

Problem: große Ausgaben

Diagramm: Eine Lazy-Query erzeugt einen großen zeilentreuen Extract, der direkt auf Disk geschrieben werden sollte.

Bereinigtes Requests-Dataset

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

clean_requests = (
    requests





)

Bereinigtes Requests-Dataset

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"),
    )
)

Zuerst collect, dann schreiben

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

Direkt nach Parquet schreiben

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Den Sink steuern

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

Weitere Sink-Methoden

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

Partitionierte Ausgaben

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Partitionierte Ausgaben

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

)

Partitionierte Ausgaben

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

Partitionierte Ausgaben

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

Partitionen über mehrere Spalten

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

Lazy Sinks erstellen

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

Lazy Sinks erstellen

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,
)

Sinks multiplexen

pl.collect_all(
    [internal_sink, public_sink],
)

Geschriebene Ausgaben

311_requests_internal.parquet
311_requests_public.parquet

Eigene Batch-Sinks

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

Eigene Batch-Sinks

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

Sink-Workflow

sink_parquet() schreiben, um große Query-Ergebnisse direkt auf Disk zu speichern

Mit PartitionBy() die Ausgabe in ein partitioniertes Dataset splitten

Lazy Sinks mit collect_all() planen und gemeinsam ausführen

sink_batches() nutzen, wenn jede Batch an eine eigene Funktion gehen soll

Isometrische Ansicht eines Datensortiersystems, das Daten in organisierte, partitionierte Schubladen verteilt

Lass uns üben!

Skalieren und Optimieren von Data-Pipelines mit Polars