Skriva stora frågor direkt till disk

Skalning och optimering av datapipelines med Polars

Liam Brannigan

Data Scientist & Polars Contributor

Problemet med stora utdata

Diagram som visar en lat fråga som producerar ett stort radbevarande extrakt som ska skrivas direkt till disk.

En rensad begärandedatamängd

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

clean_requests = (
    requests





)

En rensad begärandedatamängd

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"),
    )
)

Samla in och skriv

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

Skriva till Parquet med sink

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Styra sink-inställningarna

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

Andra sink-metoder

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

Partitionerade utdata

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Partitionerade utdata

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

)

Partitionerade utdata

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

Partitionerade utdata

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

Partitioner med flera kolumner

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

Skapa lata sinks

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

Skapa lata sinks

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,
)

Multiplexering av sinks

pl.collect_all(
    [internal_sink, public_sink],
)

Skrivna utdatafiler

311_requests_internal.parquet
311_requests_public.parquet

Anpassade batch-sinks

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

Anpassade batch-sinks

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

Sink-arbetsflöde

Använd sink_parquet() för att skriva stora frågeresultat direkt till disk

Använd PartitionBy() för att dela upp utdata i en partitionerad datamängd

Använd lata sinks med collect_all() för att planera och köra flera utdatafiler tillsammans

Använd sink_batches() när varje batch ska skickas till en anpassad funktion

Isometrisk vy av ett datasorteringssystem som fördelar data i organiserade partitionerade lådor

Nu kör vi en övning!

Skalning och optimering av datapipelines med Polars