Grote queries rechtstreeks naar schijf schrijven

Data-pipelines schalen en optimaliseren met Polars

Liam Brannigan

Data Scientist & Polars Contributor

Een groot-outputprobleem

Diagram met een luie query die een grote rijbehoudende extract maakt die direct naar schijf geschreven moet worden.

Een opgeschoonde request-dataset

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

clean_requests = (
    requests





)

Een opgeschoonde request-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"),
    )
)

Eerst collecten, dan schrijven

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

Naar Parquet sinken

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

De sink aansturen

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

Andere sink-methoden

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

Gepartitioneerde output

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Gepartitioneerde output

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

)

Gepartitioneerde output

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

Gepartitioneerde output

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

Meerkoloms-partities

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

Lazy sinks bouwen

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

Lazy sinks bouwen

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],
)

Weggeschreven outputs

311_requests_internal.parquet
311_requests_public.parquet

Aangepaste batch-sinks

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

Aangepaste batch-sinks

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

Sink-workflow

Gebruik sink_parquet() om grote queryresultaten direct naar schijf te schrijven

Gebruik PartitionBy() om de output in een gepartitioneerde dataset te splitsen

Gebruik lazy sinks met collect_all() om meerdere outputs samen te plannen en uit te voeren

Gebruik sink_batches() als elke batch naar een eigen functie moet

Isometrisch beeld van een datasorteersysteem dat data naar geordende, gepartitioneerde lades verdeelt

Laten we oefenen!

Data-pipelines schalen en optimaliseren met Polars