Python 将大型MS SQL Server表放入BigQuery的最快方法

我有一个MS SQL Server数据库，有1200个大小不同的表。数据总量约为2TB，最大的表约为400GB。每三个月一次，我需要以自动化的方式将这些数据输入BigQuery。数据不必以任何方式进行转换，但该过程不能是手动的，而且我无法访问Windows服务器本身

目前，这是通过Dataproc（Spark，Scala）集群完成的，该集群具有80个CPU和1,4TB RAM。这对我来说是非常浪费的，因为这是一个简单的数据传输

相反，我想做的是使用Python检索数据并将其写入Avro文件，然后我可以非常快速地将其加载到BigQuery中。我的问题是，在单个表上使用pyodbc进行的初始测试表明，我在最初几秒钟（60位）内获得了很高的速度，然后速度下降到6位左右。如果我并行地对3个表（不同的连接）执行此操作，它是相同的模式，但会下降到3x6=18MBit

奖金信息：这发生在GCP和AWS之间的公司VPN隧道上

因此，我的问题是：

MS SQL Server是否在初始突发后限制连接

是否有更好的方法使用Python传输数据

是否有更好的方式使用其他方式传输数据

以下是我用于测试的代码：

import csv
import sys
import tracemalloc
import pyodbc
from datetime import datetime

tracemalloc.start()

test_table = sys.argv[1]
fetch_rows = 1000  # Avg 6MBit
output_file = f'{test_table}.csv'
delimiter = ';'
quote_char = '"'
print('Connecting')
connection = pyodbc.connect('Driver={ODBC Driver 17 for SQL Server};'
                            'Server=X;'
                            'Database=Y;'
                            'uid=Z;'
                            'pwd=W')

print('Connected')
cursor = connection.cursor()
print('Selecting')
cursor.execute(f"SELECT * FROM {test_table}")
print('Executed')
with open(output_file, 'w+', newline='', encoding='utf-8') as f:
    writer = csv.writer(f, delimiter=delimiter, quotechar=quote_char, quoting=csv.QUOTE_NONNUMERIC)
    writer.writerow([x[0] for x in cursor.description])  # column headers

    rows = cursor.fetchmany(fetch_rows)
    rows_written = 0
    while len(rows) > 0:
        for row in rows:
            writer.writerow(row)
            rows_written = rows_written + 1

        current, peak = tracemalloc.get_traced_memory()
        print(f"{datetime.now()}: {rows_written} rows written. Current memory usage is {current / 10 ** 6}MB;"
              f" Peak was {peak / 10 ** 6}MB")
        rows = cursor.fetchmany(fetch_rows)

    cursor.close()

tracemalloc.stop()