Question

TLDR;在BQ中查询12.9MB的内存成本约为540MB内存。而且这种增长是线性的。

我正在查询一些bigQuery表。在https://bigquery.cloud.google.com/

运行以下查询

SELECT * FROM dataset1.table1, dataset1.table2

结果：

Query complete (5.2s elapsed, 12.9 MB processed)

这是大约150k行的数据。当我在python中执行相同的查询时，相同的查询使用最多540Mb的ram。如果我查询300k行，则会导致ram使用率增加一倍。当我多次执行相同的查询时，ram的使用不会改变。所以我最好的猜测是它正在使用一些永远不会被释放的缓冲区。我已经测试了gc.collect()是否有帮助，但事实并非如此。我还将我的数据转储到json，该文件大约是25MB。所以我的问题是：为什么内存使用量如此之大，有没有办法改变它？

我的代码：

from apiclient.discovery import build
from oauth2client.file import Storage
from oauth2client.client import OAuth2WebServerFlow
from oauth2client.tools import run
import httplib2
import sys

projectId = '....'
bqCredentialsFile = 'bigquery_credentials.dat'
clientId = '....'  # production
secret = '.......apps.googleusercontent.com '  # production

storage = Storage(bqCredentialsFile)
credentials = storage.get()
if credentials is None or credentials.invalid:
    flow = OAuth2WebServerFlow(client_id=clientId, client_secret=secret, scope='https://www.googleapis.com/auth/bigquery')
    credentials = run(flow, storage)

http = httplib2.Http()
http = credentials.authorize(http)
svc = build('bigquery', 'v2', http=http)


def getQueryResults(jobId, pageToken):
    req = svc.jobs()
    return req.getQueryResults(projectId=projectId, jobId=jobId, pageToken=pageToken).execute()


def query(queryString, priority='BATCH'):
    req = svc.jobs()
    body = {'query': queryString, 'maxResults': 100000, 'configuration': {'priority': priority}}
    res = req.query(projectId=projectId, body=body).execute()
    if 'rows' in res:
        for row in res['rows']:
            yield row
        for _ in range(int(res['totalRows']) / 100000):
            pageToken = res['pageToken']
            res = getQueryResults(res['jobReference']['jobId'], pageToken=pageToken)
            for row in res['rows']:
                yield row


def querySome(tableKeys):
    queryString = '''SELECT * FROM {0} '''.format(','.join(tableKeys))
    if len(tableKeys) > 0:
        return query(queryString, priority='BATCH')


if __name__ == '__main__':
    import simplejson as json
    tableNames = [['dataset1.table1', 'dataset1.table2']
    output = list(querySome(tableNames)) 
    fl = open('output.json', 'w')
    fl.write(json.dumps(output))
    fl.close()
    print input('done')

Answer 1

我认为问题出在output = list(querySome(tableNames))行。我不是python专家，但据我所知，这会将你的生成器转换为具体的列表，并要求整个结果都在内存中。如果你逐行迭代并一次写一行，你可能会发现你有更好的内存使用行为。

如：

output = querySome(tableNames)
fl = open('output.json', 'w')
for line in output:
  fl.write(json.dumps(output))
  fl.write('\n')
fl.close()
print input('done')

另外.... 当您获得查询结果时，可能会返回少于100000行，因为BigQuery限制了响应的大小。相反，您应该迭代，直到响应中没有返回pageToken。

谷歌云，大查询耗费大量内存

1 个答案: