从Redshift将大于内存的数据加载到bcolz中

Question

我想在本地保存红移查询的输出。我尝试过使用blaze/odo，但是默认设置会尝试在写入和尝试流之前将所有数据加载到内存中，从而引发其他错误，描述了另一个问题：Streaming results with Blaze and SqlAlchemy。

由于这个问题没有任何答案，我正在寻找另一种方法来解决这个问题。

什么是一种简单、可靠和合理有效的方式将大于内存的查询结果从Redshift加载到bcolz？

Answer 1

我知道这是个老生常谈的问题，但如果有同样问题的人偶然发现了这个问题，我会回答的。我猜你用Blaze访问Redshift。您必须对某些列上的表进行分区，并进行迭代，如下所示：

import blaze as bz
table = bz.Data('postgresql://server@example.com::table_name')
val_list = bz.odo(table['column_name'].distinct(), list)
np_dtype = table.schema[0].to_numpy_dtype()
for val in val_list:
    table_partition = table[table['column_name'] == val]
    partition_len = int(table_partition.count())
    bcolz.fromiter(table_partition, np_dtype, partition_len,
                   rootdir='rootdir_for_partition', mode='w',
                   cparams=compression_params)

而不是使用bcolz.walk迭代结果。