Scrierea interogărilor mari pe disc

Scalarea și optimizarea pipeline-urilor de date cu Polars

Liam Brannigan

Data Scientist & Polars Contributor

O problemă de ieșire voluminoasă

Diagramă care arată o interogare lazy ce produce un extras voluminos, care trebuie scris direct pe disc.

Un set de date de cereri curățat

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

clean_requests = (
    requests





)

Un set de date de cereri curățat

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"),
    )
)

Colectare și scriere

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

Scriere în Parquet

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Controlul sink-ului

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

Alte metode sink

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

Ieșire partițională

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Ieșire partițională

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

)

Ieșire partițională

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

Ieșire partițională

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

Partiții pe mai multe coloane

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

Construirea sink-urilor lazy

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

Construirea sink-urilor lazy

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,
)

Multiplexarea sink-urilor

pl.collect_all(
    [internal_sink, public_sink],
)

Fișiere scrise

311_requests_internal.parquet
311_requests_public.parquet

Sink-uri batch personalizate

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

Sink-uri batch personalizate

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

Fluxul de lucru cu sink

Utilizați sink_parquet() pentru a scrie direct pe disc rezultatele unor interogări voluminoase

Utilizați PartitionBy() pentru a împărți ieșirea într-un set de date partițional

Utilizați sink-uri lazy cu collect_all() pentru a planifica și executa mai multe ieșiri simultan

Utilizați sink_batches() când fiecare batch trebuie transmis unei funcții personalizate

Vedere izometrică a unui sistem de sortare a datelor care distribuie date în sertare partiționale organizate

Ayo berlatih!

Scalarea și optimizarea pipeline-urilor de date cu Polars