- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我是一名 Python 开发人员,具有相当不错的 RDBMS 经验。我需要处理相当大量的数据(大约 500GB)。数据位于 s3 存储桶中的大约 1200 个 csv 文件中。我用 Python 编写了一个脚本,可以在服务器上运行它。但是,它太慢了。根据目前的速度和数据量,完成所有文件大约需要 50 天(当然,截止日期早于此)。
注意:处理是您的基本 ETL 类型的东西 - 没什么可怕的。我可以轻松地将它泵入 PostgreSQL 中的临时模式,然后在其上运行脚本。但是,再一次,从我的初始测试来看,这会减慢速度。
注意:一个全新的 PostgreSQL 9.1 数据库将是它的最终目的地。
因此,我正在考虑尝试启动一堆 EC2 实例以尝试分批(并行)运行它们。但是,我以前从未做过这样的事情,所以我一直在四处寻找想法等。
同样,我是一名 Python 开发人员,所以 Fabric + boto 似乎很有前途。我不时使用过 boto,但从未使用过 Fabric。
我从阅读/研究中知道这对 Hadoop 来说可能是一份很棒的工作,但我不知道,也负担不起聘请它完成,而且时间线不允许学习曲线或雇用某人.我也不应该,这是一种一次性交易。所以,我不需要构建一个非常优雅的解决方案。我只需要让它正常工作,并能够在年底前处理所有数据。
此外,我知道这不是一个简单的 stackoverflow 类问题(类似于“如何在 python 中反转列表”)。但是,我希望有人读到这篇文章并“说,我做了类似的事情并使用 XYZ……太棒了!”
我想我想问的是有没有人知道我可以用来完成这项任务的任何东西(假设我是一名 Python 开发人员并且我不知道 Hadoop 或 Java - 并且有一个紧阻止我学习 Hadoop 等新技术或学习新语言的时间表)
感谢阅读。我期待任何建议。
最佳答案
您是否进行了一些性能测量:瓶颈在哪里?它是 CPU 绑定(bind)、IO 绑定(bind)还是 DB 绑定(bind)?
当它是 CPU 绑定(bind)时,你可以尝试像 pypy 这样的 python JIT。
当它受 IO 限制时,您需要更多 HD(并在其上放置一些 strip 化 md)。
当是DB bound时,可以先尝试drop掉所有的index和key。
上周我将 Openstreetmap 数据库导入到我服务器上的一个 postgres 实例中。输入数据约为450G。预处理(这里是在 JAVA 中完成的)只是创建了可以使用 postgres 的“复制”命令导入的原始数据文件。导入 key 和索引后生成。
导入所有原始数据大约需要一天时间 - 然后需要几天时间来构建 key 和索引。
关于python - 并行处理大量数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14006363/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!