Question

我的目的是对大型csv文件进行版本控制，因此，我正在使用键值数据库，其中键将是完整行中的列，而值将是行本身。例如：

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

如果将Roll no作为关键字，我的目的是在数据库中将关键字设为rollno（可能是其哈希值），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（甚至20gb，534M行），速度也太慢了。我正在执行dask，但它比普通的熊猫顺序流慢。我的疑问是，如何在键值数据库中并行插入？

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)

Answer 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，但是Redis会允许这种插入，以优化进一步使用Redis流水线（https://redis.io/topics/pipelining），这将批量处理您的数据并在加载大量数据的同时极大地降低RTT。

您的任务运行速度比顺序处理慢的原因是管理按顺序写数据库的多进程的开销。

如何在键值数据库中进行并行化？

1 个答案: