如何解决从Python中的Kafka更新消息流维护表的最佳数据结构 单个过程的优点/缺点关系数据库例如SQLite将表保留在内存中
假设我有一个固定尺寸(N x M)的表格数据集。我收到来自Kafka的更新表中的更新流。最终,我想要一个带有最新版本表的pandas数据框,并且我正在考虑一些这样做的方法:
-
将其作为表/数据框保存在内存中。我在这里担心的是,我不知道是否可以避免使用多线程,因为一个进程将永远处于接收消息的for循环中。
-
将其维护在外部结构中,并有一个独立的过程可以从中独立读取。外部数据存储的选择: a)SQLite-可能存在并发问题,并且任意行的更新可能有点混乱。 b)Redis-易于维护,但难以一次查询/读取整个表(这通常是我访问数据的方式)。
我是Kafka的初学者,因此这里的任何建议将不胜感激。您将如何解决这个问题?谢谢!
编辑:我想我也可以将其维护在内存中,然后将整个内容推送到SQLite?
解决方法
我最初的方法是问:我是否可以创建一个“足够好”的解决方案作为开始,然后在需要时对其进行优化?
除非您需要担心非常敏感的信息(例如医疗保健或财务数据)或肯定会非常迅速地扩展的数据,否则我建议您先尝试一个简单的解决方案,然后再看是否遇到任何问题问题。你可能不会!
最终,我可能会从SQLite解决方案开始,因为它的设置相对简单,并且非常适合用例(即“事务”情况)。 >
以下是我要考虑的一些注意事项:
单个过程的优点/缺点
除非您的数据是高速/大容量的,否则您建议在同一过程中使用和处理数据可能会很好。本地处理数据比通过网络接收数据要快得多(假设您的Kafka提要不在本地计算机上),因此从Kafka提取数据可能会成为瓶颈。
但是,要使Python进程无限期地旋转可能会很昂贵,并且您需要确保将数据存储到文件或数据库中,以防止进程关闭时丢失数据。
关系数据库(例如SQLite)
再次使用SQLite之类的关系数据库可能是您最好的选择,这再次取决于所接收数据的速度。但是关系数据库一直被用于事务目的(事实上,这是其主要目的之一),这意味着大量的写入和快速的写入,因此将数据持久保存在SQLite并在那里进行更新绝对是有意义的。如果可以的话(例如第三种标准格式),您可以将数据分成多个单独的表,或者如果更合适,可以将其全部保存在一个表中。
将表保留在内存中
您还可以按照建议的方式将表保留在内存中,只要您在更新后以某种方式(CSV,SQLite等)将其持久化到磁盘上即可。例如,您可以:
- 将副本保存在内存中。
- 获取更新时,请对内存表进行更新。
- 将表写入磁盘。
- 如果进程停止或重新启动,请从内存中读取表以开始。
但是,熊猫在访问和更新行中的单个值时可能会比较慢,因此实际上可以将表作为字典或其他内容保存在内存中,而无需使用熊猫将其写入磁盘可能更有意义。但是,如果您可以摆脱大熊猫的困扰(例如:速度和体积),那也可能是一个很好的起点。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。