[英]Python - Parallel SQL Queries and return dataframes for each
所以我一直在研究 Python 中的多进程或并行进程来执行大约十几个 SQL 查询。 现在,查询是串行完成的,大约需要 4 分钟,其中 1 个查询与其他 11 个查询一样长。 所以理论上,如果我可以并行运行所有查询,我至少可以将总运行时间减少一半。
我正在尝试按照以下方式做一些事情,但如果我目前的思维过程确实可行,我无法找到支持文档:
所以,说我有:
SSMS_query1 = "SELECT * FROM TABLE1"
SSMS_query2 = "SELECT * FROM TABLE2"
HANADB_query3 = "SELECT * FROM TABLE3"
因此,要连接到 SSMS,我使用:
import pyodbc
server = "server_name"
cnxn = pyodbc.connect("DRIVER={SQL Server};SERVER=" + server + ";trusted_connection=Yes")
然后连接到我的HANAdb,我使用:
from hdbcli import dbapi
conn = dbapi.connect(address="", port=, user="", password="")
然后基本上我想做一些可以利用池来节省时间的事情,例如:
import pandas as pd
with cnxn, conn as ssms, hana:
df1 = pd.read_sql(SSMS_query1, ssms)
df2 = pd.read_sql(SSMS_query2, ssms)
df3 = pd.read_sql(HANADB_query3, hana)
我试过使用:
import multiprocessing
import threading
但是我无法得到想要的 output,因为最终我想要 output df1、df2 和 df3 到 excel。 那么如何存储数据帧并将它们用作 output 稍后使用并行性?
我认为多线程可能比不知道要创建的数据帧有多大的多处理更有效,因为通常使用多处理将结果从子进程移回主进程会有更多的开销。 但由于查询需要 4 分钟,我不得不假设数据量相当大。 此外,大部分时间都花在了非常适合多线程的网络活动上。
在这里,我假设最坏的情况是无法在线程之间共享数据库连接。 如果不是这种情况,则只创建一个连接并将其用于所有提交的任务:
from multiprocessing.pool import ThreadPool
import time
import pandas as pd
import pyodbc
def run_sql(conn, sql):
return pd.read_sql(sql, conn)
def main():
SSMS_query1 = "SELECT * FROM TABLE1"
SSMS_query2 = "SELECT * FROM TABLE2"
HANADB_query3 = "SELECT * FROM TABLE3"
queries = (SSMS_query1, SSMS_query2, HANADB_query3)
n_queries = len(queries)
server = "server_name"
connections = [
pyodbc.connect("DRIVER={SQL Server};SERVER=" + server + ";trusted_connection=Yes")
for _ in range(n_queries)
]
t0 = time.time()
# One thread per query:
with ThreadPool(n_queries) as pool:
results = pool.starmap(run_sql, zip(connections, queries))
t1 = time.time()
print(results)
print(t1 - t0)
if __name__ == '__main__':
main()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.