Question

我在大型查询中有一个很大的表（大约900万行），我想通过熊猫读取它。

我尝试阅读并使用[pd.read_gbq()][1]函数，该函数在小型表上运行良好。

在大表上，它在大约50秒后卡住了（日志显示elapsed .. 50s）-没有给出错误或任何提示。

我的问题是如何使用pd（块？）读取该表。扩大这些bigquery读取的任何约定都将有所帮助。

编辑/分辨率

除了可汗的答案外，我最终实现了大块代码，每次将500,000写入一个文件，然后将这些文件读取到数据帧中，如下所示：

def download_gbq_table(self):
    if not os.path.exists(self.tmp_dir):
        os.makedirs(self.tmp_dir)
    increment = 100000

    intervals = list(range(0, self.table_size, 100000))
    intervals.append(self.table_size - intervals[len(intervals)-1])

    df = pd.DataFrame()

    for offset in intervals:
        query = f"select * from `<table_name>` limit {increment} offset {offset};"
        logger.info(f"running query: {query}")
        start_time = time.time()
        tmp_df = pd.read_gbq(query,
                       project_id=self.connection_parameters['project_id'],
                       private_key=self.connection_parameters['service_account'],
                       dialect='standard'
                        )
        df = pd.concat([df, tmp_df])
        logger.info(f'time took: {str(round(time.time() - start_time, 2))}')
        if len(df) % 500000 == 0:
            df.to_csv(os.path.join(self.tmp_dir, f'df_{str(offset + increment)}.csv'))
            df = pd.DataFrame()

def read_df_from_multi_csv(self):
    all_files = glob.glob(os.path.join(self.tmp_dir, "df_*"))
    df_list = []

    for f in all_files:
        start_time = time.time()
        df_list.append(pd.read_csv(f))
        logger.info(f'time took for reading {f}: {str(round(time.time() - start_time, 2))}')

    return pd.concat((pd.read_csv(f) for f in all_files))

Answer 1

Pandas的read_gbq函数当前不提供chunksize参数（即使其相反的to_gbq函数确实提供了chunksize参数）。

无论如何，您可以通过向SQL查询中添加LIMIT和OFFSET来迭代地从BigQuery读取内容来解决您的问题。符合以下条件的东西：

project_id = "xxxxxxxx" increment=100000 chunks=range(0, 9000000, 100000) chunks[-1]+=increment intervals=[[chunks[i-1], chunks[i]+1] for i, e in enumerate(chunks) if i > 0] query_str="select * from `mydataset.mytable` limit {end} offset {start};" for start, end in intervals: query = query_str.format(start=start, end=end) df = pd.read_gbq(query, project_id) #-- do stuff with your df here..

尝试从bigquery读取时，熊猫卡住了

1 个答案: