Python BigQuery 存储。并行读取多个流

Posted 2023-03-25

【中文标题】Python BigQuery 存储。并行读取多个流

【英文标题】：Python BigQuery Storage. Reading multiple streams in parallel

【发布时间】：2019-09-24 12:51:49

【问题描述】：

我有以下玩具代码：

import pandas as pd
from google.cloud import bigquery_storage_v1beta1
import os
import google.auth

os.environ["GOOGLE_APPLICATION_CREDENTIALS"]='key.json'
credentials, your_project_id = google.auth.default(scopes=["https://www.googleapis.com/auth/cloud-platform"])
bq_storage_client = bigquery_storage_v1beta1.BigQueryStorageClient(credentials=credentials)

table_ref = bigquery_storage_v1beta1.types.TableReference()
table_ref.project_id = "bigquery-public-data"
table_ref.dataset_id = "libraries_io"
table_ref.table_id = "versions"

parent = "projects/".format(your_project_id)
session = client.create_read_session(
    table_ref,
    parent,
    format_=bigquery_storage_v1beta1.enums.DataFormat.ARROW,
    sharding_strategy=(bigquery_storage_v1beta1.enums.ShardingStrategy.BALANCED),
)

reader1 = bq_storage_client.read_rows(bigquery_storage_v1beta1.types.StreamPosition(stream=session.streams[0]), timeout=100000)
reader2 = bq_storage_client.read_rows(bigquery_storage_v1beta1.types.StreamPosition(stream=session.streams[1]), timeout=100000)

df = pd.concat([reader1.to_dataframe(session),reader2.to_dataframe(session)])
df

我使用 BALANCED ShardingStrategy 启动了多个可以独立读取的流。

BigqueryStorage 文档说：

但是，如果您想分散多个读者，您可以通过 让阅读器处理每个单独的流。

我启动了两个阅读器，一个用于会话中的每个流。之后，将两个数据帧（每个读取器创建一个）连接成一个。然而，与 LIQUID ShardingStrategy 相比，这种方法并没有提高任何速度。

我试图让两个阅读器并行读取行。但是，我在库文档中找不到有关并行流读取的任何信息。

问题是：

1) 如果选择了 BALANCED ShardingStrategy，BugQuery Storage 是否提供任何本机方法来同时读取多个流？

2) 并行读取流的最佳方法是什么？我需要为此使用多处理或异步吗？

3) 如果有人能提供任何关于并行流 reding 的基本示例，我将不胜感激

【参考方案1】：

BigQuery Storage API 确实支持多个流，但您的执行方法不支持。您可以创建多个阅读器实例，然后每个阅读器都可以使用单独的流来增加吞吐量。

Parallel processing in python 你有很多选择。但是，最容易使用的是multiprocessing package。

另一种选择是使用Apache Beam，它默认支持并行处理，但可能不适合您的用例。它有一个内置的 BigQuery IO 驱动程序，但它的 python 版本还不支持 BigQuery Storage API，因此您可能需要为 BQ Storage API 编写自己的实现。

【讨论】：

'但是你的执行方法没有'你能详细说明一下吗？我创建了两个阅读器，我有两个流，每个单独的流由 1 个阅读器使用。我究竟做错了什么？需要更改哪些内容才能使用多个流？

您正在以串行方式阅读，只有在处理完 reader1 后才会处理 reader2。这称为逐行执行。您想要的是为 reader1 和 reader2 触发各个进程并让它们并行处理。

@KunalDeo 您能否提供有关梁自定义驱动程序的更多信息？我想在梁中实现这样的事情的一个问题是，默认情况下，基于梁的并行执行环境，我们不能将一个巨大的读取操作分割成更小的部分（因为我们不知道有多少工作人员会运行prd)。然后事情就变成了并行运行许多 单流 读取会话的光束，每个会话都单独做同样的事情，实际上并没有补充彼此的缺失部分。如果您有其他想法，链接或任何东西，如果您能分享，非常感谢！ :) 谢谢

【参考方案2】：

我进行了一些研究，发现您使用了 BigQuery Storage API 中的代码，您是对的，如果您正在消费多个流，则使用平衡策略，需要提及的是它仍在运行测试版。

发生这种情况的一些原因是您可能只看到 1 个流，因为流分配算法的数据相对“小”，流的数量可能低于请求的数量，具体取决于 2 个因素：a表的合理并行性和服务的限制。目前，确定什么是“合理”的算法细节尚未公开，一旦 API 达到一般可用性阶段，这些细节可能会发生变化。

你也可以试试上面推荐的multiprocessing package。

【参考方案3】：

您缺少requested_streams 值：

n_streams = 2
session = client.create_read_session(
    table_ref,
    parent,
    requested_streams=n_streams,
    format_=bigquery_storage_v1beta1.enums.DataFormat.ARROW,
    sharding_strategy=(bigquery_storage_v1beta1.enums.ShardingStrategy.BALANCED),
)

您可以在一行中连接数据框：

readers = []
for i in range(n_streams):
    stream = session.streams[i]
    position = bigquery_storage_v1beta1.types.StreamPosition(stream=stream)
    reader = bqstorageclient.read_rows(position)
    readers.append(reader)
df = pd.concat([reader.to_dataframe(session) for reader in readers])

希望这会有所帮助。