在纯 Python 中执行 ETL 任务,我想为每个考虑的原始输入文件收集错误指标和元数据(错误指标是根据文件数据部分提供的错误代码计算的,而元数据是存储在标题中)。这是整个过程的伪代码:
import pandas as pd
import dask
from dask import delayed
from dask import dataframe as dd
META_DATA = {} # shared resource
ERRORS = {} # shared resource
def read_file(file_name):
global META_DATA, ERRORS
# step 1: process headers
headers = read_header(file_name)
errors = {}
data_bfr = []
# step 2: process data section
for line in data_section:
content_id, data = parse_line(line)
if contains_errors(data):
errors[content_id] = get_error_code(data)
else:
data_bfr.append(content_id, data)
# ---- Part relevant for question 1 ----
# step 3: acquire lock for shared resource and write metadata
with lock.acquire():
write_metadata(file_name, headers) # stores metadata in META_DATA[file_name]
write_errors(file_name, errors) # stores error metrics in ERRORS[file_name]
return pd.DataFrame(data=data_bfr,...)
with set_options(get=dask.multiprocessing.get):
df = dd.from_delayed([delayed(read_file)(file_name) \
for file_name in os.listdir(wd)])
# ---- Part relevant for question 2 ----
df.to_hdf('data.hdf', '/data', 'w', complevel=9, \
complib='blosc',..., metadata=(META_DATA, ERRORS))
对于每个输入文件,read_file
返回一个pd.DataFrame
,进一步将相关元数据和错误指标写入共享资源。我正在使用 dask
的多处理调度程序从延迟的 read_file
操作列表中计算一个 dask.dataframe
。
- 问题 1:每个
read_file
操作都会写入共享资源META_DATA
和ERRORS
。我必须做什么才能实现适用于dask.multiprocessing.get
的正确锁定策略?从with locket.lock_file('.lock'):
-context 中将元数据和错误信息写入集合是否足够?multiprocessing.RLock
有效吗?我需要做什么来初始化锁以使用dask
?更根本的是,如何在dask
中将META_DATA
和ERRORS
声明为共享资源? - 问题 2:如果可能,我想用元数据和错误度量来注释 HDF 数据。来自 question on "Collecting attributes from dask dataframe providers" , 我了解到
dask
目前不支持向数据帧添加元数据,但是可以将信息写入 HDF 吗?如果是这样,在这种情况下如何处理对共享资源的访问?
最佳答案
不要依赖全局变量
Dask 最适合 pure functions .
特别是,您的情况是 Python 的局限性,因为它(正确地)不在进程之间共享全局数据。相反,我建议您从函数中显式返回数据:
def read_file(file_name):
...
return df, metadata, errors
values = [delayed(read_file)(fn) for fn in filenames]
dfs = [v[0] for v in values]
metadata = [v[1] for v in values]
errors = [v[2] for v in values]
df = dd.from_delayed(dfs)
import toolz
metadata = delayed(toolz.merge)(metadata)
errors = delayed(toolz.merge)(errors)
关于python - 锁定 dask.multiprocessing.get 并将元数据添加到 HDF,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39328398/