将大型查询下沉到磁盘

使用 Polars 扩展与优化数据流水线

Liam Brannigan

Data Scientist & Polars Contributor

大型输出问题

示意图：一个惰性查询生成大型且保留行的提取，应直接写入磁盘。

清洗后的请求数据集

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

clean_requests = (
    requests





)

清洗后的请求数据集

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"),
    )
)

先收集再写入

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

下沉到 Parquet

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

控制下沉

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

其他下沉方法

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

分区输出

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

分区输出

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

)

分区输出

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

分区输出

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

多列分区

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

构建惰性下沉

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

构建惰性下沉

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,
)

多路下沉

pl.collect_all(
    [internal_sink, public_sink],
)

已写出的文件

311_requests_internal.parquet
311_requests_public.parquet

自定义批量下沉

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

自定义批量下沉

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

下沉工作流

使用 sink_parquet() 将大型查询结果直接写入磁盘

使用 PartitionBy() 将输出拆分为分区数据集

将惰性下沉与 collect_all() 配合，以规划并一起执行多个输出

当每个批次都需传给自定义函数时，用 sink_batches()

数据分拣系统将数据分发到有序分区抽屉的等轴视图

让我们来练习！

使用 Polars 扩展与优化数据流水线