Zapisywanie dużych zapytań na dysk

Skalowanie i optymalizacja potoków danych w Polars

Liam Brannigan

Data Scientist & Polars Contributor

Problem dużych danych wyjściowych

Diagram przedstawiający leniwe zapytanie generujące duży ekstrakt zachowujący wiersze, który powinien zostać zapisany bezpośrednio na dysk.

Oczyszczony zbiór zgłoszeń

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

clean_requests = (
    requests





)

Oczyszczony zbiór zgłoszeń

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"),
    )
)

Zebranie danych i zapis

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

Zapis do Parquet

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Parametry zapisu

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

Inne metody zapisu

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

Partycjonowane dane wyjściowe

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Partycjonowane dane wyjściowe

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

)

Partycjonowane dane wyjściowe

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

Partycjonowane dane wyjściowe

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

Partycje wielokolumnowe

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

Leniwe zapisy

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

Leniwe zapisy

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,
)

Multipleksowanie zapisów

pl.collect_all(
    [internal_sink, public_sink],
)

Zapisane pliki wyjściowe

311_requests_internal.parquet
311_requests_public.parquet

Niestandardowe zapisy wsadowe

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

Niestandardowe zapisy wsadowe

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

Przepływ pracy z zapisem

Użyj sink_parquet(), aby zapisać duże wyniki zapytania bezpośrednio na dysk

Użyj PartitionBy(), aby podzielić dane wyjściowe na partycje

Użyj leniwych zapisów z collect_all(), aby zaplanować i wykonać kilka operacji zapisu jednocześnie

Użyj sink_batches(), gdy każda partia ma trafiać do niestandardowej funkcji

Izometryczny widok systemu sortowania danych rozdzielającego dane do zorganizowanych, partycjonowanych szuflad

Czas na praktykę!

Skalowanie i optymalizacja potoków danych w Polars