Python:读取超过 1M 的小型 csv 文件并写入数据库

Question

我有超过一百万次的快照文件需要合并并创建一个文件/数据库进行分析。

我尝试在下面的代码中执行此操作。首先，我从 URL 列表中读取一个小的 csv，提取几列，从文本到日期解析日期字段并将其写入 sqlite 数据库。

虽然此代码在一小部分文件上运行良好，但对于迭代超过一百万个 CSV 来说太慢了。

我不确定如何提高性能，甚至不确定 Python 是否适合这项工作。任何有助于改进此代码或建议的帮助将不胜感激。

import pandas as pd
from sqlalchemy import create_engine
import datetime
import requests
import csv
import io

csv_database2 = create_engine('sqlite:///csv_database_test.db')

col_num = [0,8,9,12,27,31]

with open('url.csv','r') as line_list:
     reader = csv.DictReader(line_list,)

for line in reader:

    data = requests.get(line['URL'])
    df = pd.read_csv(io.StringIO(data.text), usecols=col_num, infer_datetime_format=True)
    df.columns.values[0] = 'DateTime'
    df['ParseDateTime'] = [datetime.datetime.strptime(t, "%a %b %d %H:%M:%S %Y") for t in df.DateTime]
    df.to_sql('LineList', csv_database2, if_exists='append')

Answer 1

恕我直言，python 非常适合这项任务，只需进行简单的修改，您就可以获得所需的性能。

AFAICS 可能存在两个影响性能的瓶颈:

下载网址

您一次下载一个文件，如果下载一个文件需要 0.2 秒，下载 1M 文件则需要 > 2 天!我建议您将下载并行化，示例代码使用 concurrent.futures :

from concurrent.futures import ThreadPoolExecutor
import requests


def insert_url(line):
    """download single csv url and insert it to SQLite"""
    data = requests.get(line['URL'])
    df = pd.read_csv(io.StringIO(data.text), usecols=col_num,
                     infer_datetime_format=True)
    df.columns.values[0] = 'DateTime'
    df['ParseDateTime'] = [
        datetime.datetime.strptime(t, "%a %b %d %H:%M:%S %Y") for t in
        df.DateTime]
    df.to_sql('LineList', csv_database2, if_exists='append')


with ThreadPoolExecutor(max_workers=128) as pool:
    pool.map(insert_url, lines)

插入到SQL

尝试查看如何优化 SQL 插入 this所以回答。

进一步指导

• 我会从并行请求开始，因为它似乎是更大的瓶颈
• 运行探查器以更好地了解您的代码大部分时间花在哪里