用Python逐行处理非常大的900M行MySQL表

我经常需要使用Python逐行处理MySQL表中的数亿行。我想要一个健壮且不需要监视的脚本

下面我粘贴了一个脚本，用于对我所在行消息字段的语言进行分类。它使用sqlalchemy和MySQLdb.cursors.SSCursor模块。不幸的是，这个脚本在远程运行4840行和本地运行42000行之后，始终抛出一个“查询期间与MySQL服务器的连接丢失”错误

另外，根据对这个stackoverflow问题的回答，我已经在我的MySQL服务器的/etc/MySQL/my.cnf文件上检查了max_allowed_packet=32M

任何关于修复此错误或使用另一种方法以健壮的方式使用Python处理非常大的MySQL文件的建议都将不胜感激

import sqlalchemy
import MySQLdb.cursors
import langid

schema = "twitterstuff"
table = "messages_en" #900M row table
engine_url = "mysql://myserver/{}?charset=utf8mb4&read_default_file=~/.my.cnf".format(schema)
db_eng = sqlalchemy.create_engine(engine_url, connect_args={'cursorclass': MySQLdb.cursors.SSCursor} )
langid.set_languages(['fr', 'de'])

print "Executing input query..."
data_iter = db_eng.execute("SELECT message_id, message FROM {} WHERE langid_lang IS NULL LIMIT 10000".format(table))

def process(inp_iter):
    for item in inp_iter:
        item = dict(item)
        (item['langid_lang'], item['langid_conf']) = langid.classify(item['message'])
        yield item

def update_table(update_iter):
    count = 0;
    for item in update_iter:
        count += 1;
        if count%10 == 0:
            print "{} rows processed".format(count)
        lang = item['langid_lang']
        conf = item['langid_conf']
        message_id = item['message_id']
        db_eng.execute("UPDATE {} SET langid_lang = '{}', langid_conf = {} WHERE message_id = {}".format(table, lang, conf, message_id))

data_iter_upd = process(data_iter)

print "Begin processing..."
update_table(data_iter_upd)

,

[使用SSCursor时，]在 已获取整个结果集

这篇文章说，如果您发出另一个查询，您将得到一个“命令顺序错误”错误，这不是您看到的错误。因此，我不确定以下内容是否一定能解决您的问题。尽管如此，还是值得尝试从代码中删除

SSCursor

，并使用更简单的默认

游标来测试这是否是问题的根源

例如，您可以在
SELECT
语句中使用
LIMIT chunksize OFFSET n
要以块的形式循环遍历数据集，请执行以下操作：

import sqlalchemy
import MySQLdb.cursors
import langid
import itertools as IT
chunksize = 1000

def process(inp_iter):
    for item in inp_iter:
        item = dict(item)
        (item['langid_lang'], item['langid_conf']) = langid.classify(item['message'])
        yield item

def update_table(update_iter, engine):
    for count, item in enumerate(update_iter):
        if count%10 == 0:
            print "{} rows processed".format(count)
        lang = item['langid_lang']
        conf = item['langid_conf']
        message_id = item['message_id']
        engine.execute(
            "UPDATE {} SET langid_lang = '{}', langid_conf = {} WHERE message_id = {}"
            .format(table, lang, conf, message_id))

schema = "twitterstuff"
table = "messages_en" #900M row table
engine_url = ("mysql://myserver/{}?charset=utf8mb4&read_default_file=~/.my.cnf"
              .format(schema))

db_eng = sqlalchemy.create_engine(engine_url)
langid.set_languages(['fr', 'de'])

for offset in IT.count(start=0, step=chunksize):
    print "Executing input query..."
    result = db_eng.execute(
        "SELECT message_id, message FROM {} WHERE langid_lang IS NULL LIMIT {} OFFSET {}"
        .format(table, chunksize, offset))
    result = list(result)
    if not result: break
    data_iter_upd = process(result)

    print "Begin processing..."
    update_table(data_iter_upd, db_eng)

对我来说好像是超时了。您是否尝试过调整和/或？