如何逐步写入json文件

Question

我正在编写一个程序,它要求我生成一个非常大的json文件.我知道传统的方法是使用转储字典列表json.dump(),但是列表太大了,甚至总内存+交换空间也无法在转储之前保留它.无论如何将它流式传输到json文件中,即将数据json逐步写入文件中？

Answer 1

我知道这是迟了一年,但问题仍然存在,我很惊讶json.iterencode()没有被提及.

iterencode在这个例子中,潜在的问题是你希望通过使用生成器对大数据集进行迭代处理,而json编码不会序列化生成器.

解决这个问题的方法是子类列表类型并覆盖__iter__魔术方法,以便您可以生成生成器的输出.

以下是此列表子类的示例.

class StreamArray(list):
    """
    Converts a generator into a list object that can be json serialisable
    while still retaining the iterative nature of a generator.

    IE. It converts it to a list without having to exhaust the generator
    and keep it's contents in memory.
    """
    def __init__(self, generator):
        self.generator = generator
        self._len = 1

    def __iter__(self):
        self._len = 0
        for item in self.generator:
            yield item
            self._len += 1

    def __len__(self):
        """
        Json parser looks for a this method to confirm whether or not it can
        be parsed
        """
        return self._len

从这里开始使用非常简单.获取生成器句柄,将其传递给StreamArray类,将流数组对象传递给iterencode()迭代块并迭代.块将是json格式输出,可以直接写入文件.

用法示例:

#Function that will iteratively generate a large set of data.
def large_list_generator_func():
    for i in xrange(5):
        chunk = {'hello_world': i}
        print 'Yielding chunk: ', chunk
        yield chunk

#Write the contents to file:
with open('/tmp/streamed_write.json', 'w') as outfile:
    large_generator_handle = large_list_generator_func()
    stream_array = StreamArray(large_generator_handle)
    for chunk in json.JSONEncoder().iterencode(stream_array):
        print 'Writing chunk: ', chunk
        outfile.write(chunk)

显示产量和写入的输出连续发生.

Yielding chunk:  {'hello_world': 0}
Writing chunk:  [
Writing chunk:  {
Writing chunk:  "hello_world"
Writing chunk:  : 
Writing chunk:  0
Writing chunk:  }
Yielding chunk:  {'hello_world': 1}
Writing chunk:  , 
Writing chunk:  {
Writing chunk:  "hello_world"
Writing chunk:  : 
Writing chunk:  1
Writing chunk:  }

Answer 2

遗憾的是，该json库没有任何增量写入设施，因此无法执行您想要的操作。

这显然将是一个非常大的文件 - 其他一些表示形式会更合适吗？

否则，我能提出的最好建议是将每个列表条目转储到内存结构中，并使用必要的分隔符（[在开头、],[条目之间和]结尾处）将它们写出，以尝试构建您需要的 JSON。

如果格式很重要，您应该知道程序编写的包装器测试将破坏正确的缩进，但缩进仅适用于人类，因此它不会对 JSON 结构的语义产生任何影响。