Запись больших запросов на диск

Масштабирование и оптимизация конвейеров данных с Polars

Liam Brannigan

Data Scientist & Polars Contributor

Проблема большого вывода

Диаграмма: ленивый запрос создаёт большой построчный результат, который записывается напрямую на диск.

Очищенный набор данных запросов

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

clean_requests = (
    requests





)

Очищенный набор данных запросов

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"),
    )
)

Сбор и запись

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

Запись в Parquet

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Настройка записи

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

Другие методы записи

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

Партиционированный вывод

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Партиционированный вывод

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

)

Партиционированный вывод

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

Партиционированный вывод

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

Партиции по нескольким столбцам

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

Ленивые операции записи

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

Ленивые операции записи

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,
)

Мультиплексирование операций записи

pl.collect_all(
    [internal_sink, public_sink],
)

Записанные файлы

311_requests_internal.parquet
311_requests_public.parquet

Пользовательские функции для батчей

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

Пользовательские функции для батчей

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

Рабочий процесс записи

Используйте sink_parquet() для записи результатов больших запросов напрямую на диск

Используйте PartitionBy() для разбиения вывода на партиции

Используйте ленивые операции записи с collect_all() для планирования и выполнения нескольких выводов одновременно

Используйте sink_batches(), когда каждый батч нужно передать в пользовательскую функцию

Изометрический вид системы сортировки данных, распределяющей данные по упорядоченным партиционированным ящикам

Давайте потренируемся!

Масштабирование и оптимизация конвейеров данных с Polars