0

我的意图是对大型 csv 文件进行版本控制，因此，我使用的是键值数据库，其中键是完整行中的列，值是行本身。例如：

Name, Age, Roll.No
Aviral, 22, 1
Apoorv, 19, 2

如果我将 Roll no 作为键，我的意图是将数据库中的键作为 rollno（可能是它的散列）并将值作为完整的行：Aviral, 22, 1

我已经完成了上述实现，但是为了处理大型 csv 文件（即使是 20gb 和 534M 行），速度太慢了。我正在实现 dask，但它比普通的 pandas 顺序流式传输要慢。我的疑问是，如何在键值数据库中进行并行插入？

import json
import sys
from datetime import datetime
from hashlib import md5

import dask.dataframe as dd
import dask.multiprocessing
import pandas as pd

from kyotocabinet import *


class IndexInKyoto:

    def hash_string(self, string):
        return md5(string.encode('utf-8')).hexdigest()

    def dbproc(self, db):
        db[self.hash_string(self.key)] = self.row

    def index_row(self, key, row):
        self.row = row
        self.key = key
        DB.process(self.dbproc, "index.kch")

# destination = "/Users/aviralsrivastava/dev/levelsdb-learning/10gb.csv"
destination = "10M_rows.csv"
df = dd.read_csv(destination)
df_for_file_attributes = pd.read_csv(destination, nrows=2)
column_list = list(df_for_file_attributes)

# df = df.compute(scheduler='processes')     # convert to pandas

start_time = datetime.utcnow()
row_counter = 0
ob = IndexInKyoto()

# function to apply to each sub-dataframe
@dask.delayed
def print_a_block(d):
    #for row in d.itertuples(index=False):
    # print(row)
    print("a block called!")
    d = d.to_dict(orient='records')
    for row in d:
        key = str(row["0"])
        row = json.dumps(row, default=str)
        ob.index_row(key, row)

print("Calling compute!")
dask.compute(*[print_a_block(d) for d in df.to_delayed()])
print(datetime.utcnow() - start_time)
4

1 回答 1

1

Kyotocabinet 不允许您并行化插入（https://fallabs.com/kyotocabinet/spex.html），每个 Writer 都会阻塞，直到另一个 Writer 完成，因此您无法并行化 kyotocabinet 中的插入，但 Redis 将允许这样的插入，为了进一步优化使用 Redis 流水线（https://redis.io/topics/pipelining），它将批量处理您的数据并在加载大量数据时在很大程度上减少 RTT。

您的任务运行速度比顺序处理慢的原因是管理多进程顺序写入数据库的开销。

于 2019-01-13T06:45:03.573 回答