Ukládání velkých dotazů na disk

Scaling and Optimizing Data Pipelines with Polars

Liam Brannigan

Data Scientist & Polars Contributor

Problém s velkým výstupem

Diagram znázorňující líný dotaz produkující velký výstup, který má být zapsán přímo na disk.

Vyčištěná datová sada požadavků

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

clean_requests = (
    requests





)

Vyčištěná datová sada požadavků

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"),
    )
)

Shromáždění a zápis

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

Zápis do Parquet pomocí sinku

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Nastavení sinku

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

Další metody sinku

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

Rozdělený výstup

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Rozdělený výstup

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

)

Rozdělený výstup

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

Rozdělený výstup

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

Rozdělení podle více sloupců

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

Vytváření líných sinků

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

Vytváření líných sinků

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,
)

Multiplexování sinků

pl.collect_all(
    [internal_sink, public_sink],
)

Zapsané výstupy

311_requests_internal.parquet
311_requests_public.parquet

Vlastní dávkové sinky

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

Vlastní dávkové sinky

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

Pracovní postup sinku

Použijte sink_parquet() k zápisu velkých výsledků přímo na disk

Použijte PartitionBy() k rozdělení výstupu do oddílů

Použijte líné sinky s collect_all() pro plánování a spuštění více výstupů najednou

Použijte sink_batches(), pokud má každá dávka jít do vlastní funkce

Izometrický pohled na systém třídění dat rozdělující data do organizovaných oddílů

Lass uns üben!

Scaling and Optimizing Data Pipelines with Polars