如何在键值数据库中进行并行化？

Question

我的意图是对大型csv文件进行版本，因此，我使用键值数据库，其中键将是来自完整行的列，而值将是行本身。例如：

Name, Age, Roll.No
Aviral, 22, 1
Apoorv, 19, 2

如果我将rollno作为键，我的意图是将DB中的键作为rollno(可能是它的散列)，值作为完整的行：Aviral, 22, 1

我已经完成了上面的实现，但是为了处理大型csv文件(即使是534M行的20gb文件)，速度太慢了。我正在实施达斯克，但它比正常熊猫的顺序流慢。我的疑问是，如何在键值数据库中使用并行插入？

import json
import sys
from datetime import datetime
from hashlib import md5

import dask.dataframe as dd
import dask.multiprocessing
import pandas as pd

from kyotocabinet import *


class IndexInKyoto:

    def hash_string(self, string):
        return md5(string.encode('utf-8')).hexdigest()

    def dbproc(self, db):
        db[self.hash_string(self.key)] = self.row

    def index_row(self, key, row):
        self.row = row
        self.key = key
        DB.process(self.dbproc, "index.kch")

# destination = "/Users/aviralsrivastava/dev/levelsdb-learning/10gb.csv"
destination = "10M_rows.csv"
df = dd.read_csv(destination)
df_for_file_attributes = pd.read_csv(destination, nrows=2)
column_list = list(df_for_file_attributes)

# df = df.compute(scheduler='processes')     # convert to pandas

start_time = datetime.utcnow()
row_counter = 0
ob = IndexInKyoto()

# function to apply to each sub-dataframe
@dask.delayed
def print_a_block(d):
    #for row in d.itertuples(index=False):
    # print(row)
    print("a block called!")
    d = d.to_dict(orient='records')
    for row in d:
        key = str(row["0"])
        row = json.dumps(row, default=str)
        ob.index_row(key, row)

print("Calling compute!")
dask.compute(*[print_a_block(d) for d in df.to_delayed()])
print(datetime.utcnow() - start_time)

Answer 1

kyotocabinet不允许您并行化插入(https://fallabs.com/kyotocabinet/spex.html)，每个写入器都会阻塞，直到另一个Writer完成，所以您不能在Kyotocabinet中并行插入，但是Redis将允许这样的插入，以便进一步优化使用Redis管道(https://redis.io/topics/pipelining)，这将在加载大量数据的同时对数据进行批量处理，并在很大程度上减少RTT。

您的任务运行速度低于顺序处理的原因是管理多进程顺序写入DB的开销。