dask - 按顺序迭代一个 dask 包

Question

我需要将一个非常大的 dask.bag 的元素提交到一个非线程安全的存储区，即我需要类似的东西

for x in dbag:
    store.add(x)

我无法使用compute，因为包太大，无法放入内存。我需要更像 distributed.as_completed 的东西，但它适用于袋子，而 distributed.as_completed 则不行。

Answer 1

我可能会继续使用普通计算，但会加一把锁

def commit(x, lock=None):
    with lock:
        store.add(x)

b.map(commit, lock=my_lock)

您可以在哪里创建 threading.Lock 或 multiprocessing.Lock，具体取决于您正在进行的处理类型

如果你想使用 as_completed，你可以将你的包转换为 futures 并在它们上使用 as_completed。

from distributed.client import futures_of, as_completed
b = b.persist()
futures = futures_of(b)

for future in as_completed(futures):
    for x in future.result():
        store.add(x)

您还可以转换为数据框，我相信它确实会更明智地进行迭代

df = b.to_dataframe(...)
for x in df.iteritems(...):
    ...