我有一个流程,需要从四个数据库的每个四个表格中读取数据。我将这些数据合并到一个总共有四个表格的Postgres数据库中(原始的四个数据库都有相同需要合并的四个表格)。
我现在使用pandas来完成这个流程。我一次从所有四个数据库中读取一个表格,将数据合并到一个数据帧中,然后使用to_sql将其保存到我的Postgres数据库中。然后,我循环遍历其他表格,并对其余的数据库执行相同的操作。
我的问题是速度。我的其中一个表格每天有大约1-2百万行的数据,因此需要大约5,000-6,000秒才能将数据写入Postgres。将数据写入.csv文件,然后在pgadmin中使用COPY FROM会更快。
以下是我的当前代码。请注意,其中有一些函数调用,但基本上只涉及表格名称。我还进行了一些基本日志记录,但这并不是太必要。我添加了一个源数据库的列,这是必需的。我从实际上是字符串的字段中去掉.0,但是pandas也将它们视为浮点数,并用0填充空整数,并确保列真正是int类型。
我现在使用pandas来完成这个流程。我一次从所有四个数据库中读取一个表格,将数据合并到一个数据帧中,然后使用to_sql将其保存到我的Postgres数据库中。然后,我循环遍历其他表格,并对其余的数据库执行相同的操作。
我的问题是速度。我的其中一个表格每天有大约1-2百万行的数据,因此需要大约5,000-6,000秒才能将数据写入Postgres。将数据写入.csv文件,然后在pgadmin中使用COPY FROM会更快。
以下是我的当前代码。请注意,其中有一些函数调用,但基本上只涉及表格名称。我还进行了一些基本日志记录,但这并不是太必要。我添加了一个源数据库的列,这是必需的。我从实际上是字符串的字段中去掉.0,但是pandas也将它们视为浮点数,并用0填充空整数,并确保列真正是int类型。
def query_database(table, table_name, query_date):
df_list = []
log_list = []
for db in ['NJ', 'NJ2', 'LA', 'NA']:
start_time = time.clock()
query_timestamp = dt.datetime.now(pytz.timezone('UTC')).strftime('%Y-%m-%d %H:%M:%S')
engine_name = '{}{}{}{}'.format(connection_type, server_name, '/', db)
print('Accessing {} from {}'.format((select_database(db)[0][table]), engine_name))
engine = create_engine(engine_name)
df = pd.read_sql_query(query.format(select_database(db)[0][table]), engine, params={query_date})
query_end = time.clock() - start_time
df['source_database'] = db
df['insert_date_utc'] = query_timestamp
df['row_count'] = df.shape[0]
df['column_count'] = df.shape[1]
df['query_time'] = round(query_end, 0)
df['maximum_id'] = df['Id'].max()
df['minimum_id'] = df['Id'].min()
df['source_table'] = table_dict.get(table)
log = df[['insert_date_utc', 'row_date', 'source_database', 'source_table', 'row_count', 'column_count', 'query_time', 'maximum_id', 'minimum_id']].copy()
df.drop(['row_count', 'column_count', 'query_time', 'maximum_id', 'minimum_id', 'source_table'], inplace=True, axis=1)
df_list.append(df)
log_list.append(log)
log = pd.concat(log_list)
log.drop_duplicates(subset=['row_date', 'source_database', 'source_table'], inplace=True, keep='last')
result = pd.concat(df_list)
result.drop_duplicates('Id', inplace=True)
cols = [i.strip() for i in (create_columns(select_database(db)[0][table]))]
result = result[cols]
print('Creating string columns for {}'.format(table_name))
for col in modify_str_cols(select_database(db)[0][table]):
create_string(result, col)
print('Creating integer columns for {}'.format(table_name))
for col in modify_int_cols(select_database(db)[0][table]):
create_int(result, col)
log.to_sql('raw_query_log', cms_dtypes.pg_engine, index=False, if_exists='append', dtype=cms_dtypes.log_dtypes)
print('Inserting {} data into PostgreSQL'.format(table_name))
result.to_sql(create_table(select_database(db)[0][table]), cms_dtypes.pg_engine, index=False, if_exists='append', chunksize=50000, dtype=create_dtypes(select_database(db)[0][table]))
如何在这个过程中插入COPY TO和COPY FROM以加快速度?我应该只是编写.csv文件,然后循环处理那些文件,还是可以从内存中将数据COPY到我的postgres数据库中?