dask - 在一个 dask 袋子上按顺序迭代

Question

我需要将非常大的元素提交dask.bag到非线程安全存储，即我需要类似的东西

for x in dbag:
    store.add(x)

我不能使用compute，因为袋子太大而无法放入内存。我需要更多类似的东西，distributed.as_completed但它适用于袋子，但distributed.as_completed事实并非如此。

Answer 1

我可能会继续使用普通计算，但添加一个锁

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，或者multiprocessing.Lock取决于您正在执行的处理类型

如果您想使用 as_completed，您可以将您的包转换为期货并在其上使用 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，我相信它会更明智地进行迭代

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