Python 锁定dask.multiprocessing.get并将元数据添加到HDF
在纯Python中执行ETL任务时,我想收集每个原始输入文件的错误度量和元数据(错误度量是从文件的数据部分提供的错误代码计算出来的,而元数据存储在头文件中)。下面是整个过程的伪代码:Python 锁定dask.multiprocessing.get并将元数据添加到HDF,python,pandas,locking,metadata,dask,Python,Pandas,Locking,Metadata,Dask,在纯Python中执行ETL任务时,我想收集每个原始输入文件的错误度量和元数据(错误度量是从文件的数据部分提供的错误代码计算出来的,而元数据存储在头文件中)。下面是整个过程的伪代码: import pandas as pd import dask from dask import delayed from dask import dataframe as dd META_DATA = {} # shared resource ERRORS = {} # shared resource d
import pandas as pd
import dask
from dask import delayed
from dask import dataframe as dd
META_DATA = {} # shared resource
ERRORS = {} # shared resource
def read_file(file_name):
global META_DATA, ERRORS
# step 1: process headers
headers = read_header(file_name)
errors = {}
data_bfr = []
# step 2: process data section
for line in data_section:
content_id, data = parse_line(line)
if contains_errors(data):
errors[content_id] = get_error_code(data)
else:
data_bfr.append(content_id, data)
# ---- Part relevant for question 1 ----
# step 3: acquire lock for shared resource and write metadata
with lock.acquire():
write_metadata(file_name, headers) # stores metadata in META_DATA[file_name]
write_errors(file_name, errors) # stores error metrics in ERRORS[file_name]
return pd.DataFrame(data=data_bfr,...)
with set_options(get=dask.multiprocessing.get):
df = dd.from_delayed([delayed(read_file)(file_name) \
for file_name in os.listdir(wd)])
# ---- Part relevant for question 2 ----
df.to_hdf('data.hdf', '/data', 'w', complevel=9, \
complib='blosc',..., metadata=(META_DATA, ERRORS))
对于每个输入文件read_file
返回一个pd.DataFrame
,进一步将相关元数据和错误度量写入共享资源。我正在使用dask
的多处理调度程序从延迟读取文件的操作列表中计算dask.dataframe
- 问题1:每个
读取\u文件
-操作都会写入共享资源元数据
和错误
。我必须做些什么才能实现一个适用于dask.multiprocessing.get
的正确锁定策略?从带有locket.lock_文件('.lock'):
-context的中向集合写入元数据和错误信息是否足够?多处理.RLock
工作吗?如何初始化锁以使用dask
?更重要的是,如何将元数据
和错误
声明为dask
中的共享资源
问题2:如果可能,我想用元数据和错误度量对HDF数据进行注释。从a中,我了解到,dask
目前不支持向数据帧添加元数据,但是否可以将信息写入HDF?如果是,在这种情况下如何处理对共享资源的访问
不要依赖全局
Dask最适合与人合作
特别是,您的案例在Python中是一个限制,因为它(正确地)不在进程之间共享全局数据。相反,我建议您显式地从函数返回数据:
def read_file(file_name):
...
return df, metadata, errors
values = [delayed(read_file)(fn) for fn in filenames]
dfs = [v[0] for v in values]
metadata = [v[1] for v in values]
errors = [v[2] for v in values]
df = dd.from_delayed(dfs)
import toolz
metadata = delayed(toolz.merge)(metadata)
errors = delayed(toolz.merge)(errors)
在这种情况下,zip抱怨参数#1不可编辑:TypeError:zip参数#1必须支持迭代
。你的食谱一般有效吗?我的read_文件
返回一个DataFrame
、一个dict
和一个列表
。事实上,我的示例是有缺陷的。现在修好了