Question

我正在尝试使用python从大查询中获取数据。该代码在我的笔记本电脑上运行良好，但在Linux服务器上引发了内存错误。是否可以对其进行优化，使其也可以在服务器上运行？

错误：表有500万行... Linux计算机具有8 GB内存。...错误“内存不足”，进程被杀死

下面是代码：

os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "/Users/Desktop/big_query_test/soy-serenity-89ed73.json"

client = bigquery.Client()

# Perform a query.

QUERY = “SELECT * FROM `soy-serenity-89ed73.events10`”


query_job = client.query(QUERY)

df = query_job.to_dataframe()

Answer 1

我可以建议两种方法：

选项1
SELECT以块为单位的数据，以减少每次迭代从BigQuery接收到的数据的大小。例如，您的表是分区，您可以执行以下操作：

WHERE _PARTITIONTIME = currentLoopDate

其中currentLoopDate将是您的python代码中的日期变量（类似的选择是使用ROW_NUMBER

选项2
通过使用BigQuery client library，您可以使用 Jobs.insert API并将configuration.query.priority设置为批处理。

# from google.cloud import bigquery
# client = bigquery.Client()

query = (
    'SELECT name FROM `bigquery-public-data.usa_names.usa_1910_2013` '
    'WHERE state = "TX" '
    'LIMIT 100')
query_job = client.query(
    query,
    # Location must match that of the dataset(s) referenced in the query.
    location='US')  # API request - starts the query

for row in query_job:  # API request - fetches results
    # Row values can be accessed by field name or index
    assert row[0] == row.name == row['name']
    print(row)

有关更多详细信息，请参见此link 在获得jobId之后，使用Jobs.getQueryResults编写一个循环，通过设置API的maxResults参数来获取数据块

使用python从bigquery提取数据时，Linux服务器上出现内存错误？

1 个答案: