Python 使用cqlengine以最快、最有效的方式插入和更新cassandra中的大量行
我有一个包含15000000条记录的csv文件,我正试图将其处理到cassandra表中。以下是列标题和数据的示例: 为了更好地理解它,以下是我的python模型:Python 使用cqlengine以最快、最有效的方式插入和更新cassandra中的大量行,python,csv,cassandra,cql,Python,Csv,Cassandra,Cql,我有一个包含15000000条记录的csv文件,我正试图将其处理到cassandra表中。以下是列标题和数据的示例: 为了更好地理解它,以下是我的python模型: class DIDSummary(Model): __keyspace__ = 'processor_api' did = columns.Text(required=True, primary_key=True, partition_key=True) month = columns.DateTime(
class DIDSummary(Model):
__keyspace__ = 'processor_api'
did = columns.Text(required=True, primary_key=True, partition_key=True)
month = columns.DateTime(required=True, primary_key=True, partition_key=True)
direction = columns.Text(required=True, primary_key=True)
duration = columns.Counter(required=True)
cost = columns.Counter(required=True)
现在,我正在尝试处理csv文件每行中的数据,并将它们分为500、1000、10000、250等批插入,但时间结果相同(大约每1000行0.33秒,这意味着需要90分钟才能全部插入)。我还尝试使用一个多处理池,对每个批处理.execute()
调用apply\u async()
,但没有得到更好的结果。在python中,有没有一种方法可以使用SSTableWriter,或者做一些其他事情来更好地将它们插入cassandra?以下是我的process\u sheet\u row()
方法供参考:
def process_sheet_row(self, row, batch):
report_datetime = '{0}{1:02d}'.format(self.report.report_year, self.report.report_month)
duration = int(float(row[self.columns['DURATION']]) * 10)
cost = int(float(row[self.columns['COST']]) * 100000)
anisummary = DIDSummary.batch(batch).create(did='{}{}'.format(self.report.ani_country_code, row[self.columns['ANI']]),
direction='from',
month=datetime.datetime.strptime(report_datetime, '%Y%m'))
anisummary.duration += duration
anisummary.cost += cost
anisummary.batch(batch).save()
destsummary = DIDSummary.batch(batch).create(did='{}{}'.format(self.report.dest_country_code, row[self.columns['DEST']]),
direction='to',
month=datetime.datetime.strptime(report_datetime, '%Y%m'))
destsummary.duration += duration
destsummary.cost += cost
destsummary.batch(batch).save()
任何帮助都将不胜感激。谢谢
编辑:以下是我浏览文件并对其进行处理的代码:
with open(self.path) as csvfile:
reader = csv.DictReader(csvfile)
if arr[0] == 'inventory':
self.parse_inventory(reader)
b = BatchQuery(batch_type=BatchType.Unlogged)
i = 1
for row in reader:
self.parse_sheet_row(row, b)
if not i % 1000:
connection.check_connection() # This just makes sure we're still connected to cassandra. Check code below
self.pool.apply_async(b.execute())
b = BatchQuery(batch_type=BatchType.Unlogged)
i += 1
print "Done processing: {}".format(self.path)
print "Time to Execute: {}".format(datetime.datetime.now() - start)
print "Batches: {}".format(i / 1000)
print "Records processed: {}".format(i - 1)
正因为这可能会有点帮助,下面是连接。检查连接()
方法(以及周围的方法):
通常,批处理并不是执行插入的最快方法。尤其是在包含各种分区的未标记批中。关于批次的一些阅读 如果您可以从cqlengine中退出以进行插入,那么应该尝试在Python驱动程序中的以下位置实现: 在误用了不同大小的批次后,我在inserts/sec方面有了重大改进,转而使用此方法,但YMMV
def setup_defaults():
connection.setup(['127.0.0.1'], 'processor_api', lazy_connect=True)
def check_connection():
from cdr.models import DIDSummary
try:
DIDSummary.objects.all().count()
except CQLEngineException:
setup_defaults()