通过 bigquery-python 库向 BigQuery 插入大量数据

Question

我有大型 csv 文件和 excel 文件，我在其中读取它们并根据其具有的字段和类型动态创建所需的创建表脚本。然后将数据插入到创建的表中。

我已阅读this 并了解我应该使用jobs.insert() 而不是tabledata.insertAll() 发送大量数据。

这就是我所说的（适用于较小的文件而不是较大的文件）。

result  = client.push_rows(datasetname,table_name,insertObject) # insertObject is a list of dictionaries

当我使用库的 push_rows 时，它会在 Windows 中出现此错误。

[Errno 10054] An existing connection was forcibly closed by the remote host

这在 ubuntu 中。

[Errno 32] Broken pipe

所以当我查看BigQuery-Python 代码时，它使用table_data.insertAll()。

我怎样才能用这个库做到这一点？我知道我们可以通过 Google 存储上传，但我需要直接上传。

Answer 1

在处理大文件时，不要使用流式传输，而是使用批量加载：流式传输可以轻松处理高达每秒 100,000 行的数据。这对于流式传输非常有用，但不适用于加载大文件。

链接的示例代码正在做正确的事情（批处理而不是流），所以我们看到的是一个不同的问题：此示例代码试图将所有这些数据直接加载到 BigQuery，但通过 POST 部分上传失败。 gsutil 具有比普通 POST 更强大的上传算法。

解决方案：不要通过 POST 加载大块数据，而是先将它们暂存到 Google Cloud Storage 中，然后告诉 BigQuery 从 GCS 读取文件。

另见BigQuery script failing for large file