Скидання великих запитів на диск

Масштабування й оптимізація конвеєрів даних з Polars

Liam Brannigan

Data Scientist & Polars Contributor

Проблема великого виводу

Діаграма: лінивий запит створює великий витяг без зміни рядків, який слід одразу записати на диск.

Очищений набір запитів

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

clean_requests = (
    requests





)

Очищений набір запитів

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"),
    )
)

Спочатку зібрати, потім записати

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

Скидання у Parquet

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Керування sink-записом

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

Інші методи sink

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

Розбитий на розділи вивід

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Розбитий на розділи вивід

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

)

Розбитий на розділи вивід

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

Розбитий на розділи вивід

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

Розділи за кількома стовпцями

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

Побудова лінивих sink'ів

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

Побудова лінивих sink'ів

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,
)

Мультиплексування sink'ів

pl.collect_all(
    [internal_sink, public_sink],
)

Записані результати

311_requests_internal.parquet
311_requests_public.parquet

Кастомні пакетні sink'и

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

Кастомні пакетні sink'и

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

Робочий процес sink

Використовуйте sink_parquet() для запису великих результатів запиту прямо на диск

Використовуйте PartitionBy() для поділу виводу на розділений набір даних

Плануйте кілька виводів як ліниві sink'и та виконуйте їх разом через collect_all()

Використовуйте sink_batches(), коли кожен пакет має оброблятися вашою функцією

Ізометричний вигляд системи сортування даних, що розкладає дані по впорядкованих розділених шухлядах

Давайте потренуємось!

Масштабування й оптимізація конвеєрів даних з Polars