Dask：定期更新已发布的数据集并从其他客户端提取数据

Posted 2023-02-16

【中文标题】Dask：定期更新已发布的数据集并从其他客户端提取数据

【英文标题】：Dask: Update published dataset periodically and pull data from other clients

【发布时间】：2020-07-29 15:05:17

【问题描述】：

我想从队列（如 redis）中将数据附加到 published dask dataset 上。然后其他 python 程序将能够获取最新数据（例如每秒/分钟一次）并执行一些进一步的操作。

这可能吗？ 应该使用哪个附加接口？我应该先将它加载到pd.DataFrame 还是更好地使用一些文本导入器？ 假定的追加速度是多​​少？是否可以在一秒钟内追加 1k/10k 行？ 对于在 dask 集群中交换庞大且快速更新的数据集，还有其他好的建议吗？

感谢任何提示和建议。

【参考方案1】：

这里有几个选项。

您可以看看 streamz 项目 你可以看看 Dask 的coordination primitives

假定的追加速度是多​​少？是否可以在一秒钟内追加 1k/10k 行？

Dask 只是在跟踪远程数据。与 Dask 相比，应用程序的速度与您选择表示该数据的方式（如 python 列表与 pandas 数据帧）有很大关系。 Dask 每秒可以处理数千个任务。这些任务中的每一个都可以有一行或数百万行。这取决于您如何构建它。