Question

所以我从MongoDB转储中获得了大量的.bson。我在命令行上使用bsondump，将输出作为stdin传递给python。这成功地从BSON转换为'JSON'，但它实际上是一个字符串，看似不合法的JSON。

例如，传入的行看起来像这样：

{ "_id" : ObjectId( "4d9b642b832a4c4fb2000000" ),
  "acted_at" : Date( 1302014955933 ),
  "created_at" : Date( 1302014955933 ),
  "updated_at" : Date( 1302014955933 ),
  "_platform_id" : 3,
  "guid" : 72106535190265857 }

我相信的是Mongo Extended JSON。

当我读到这样一行并且做：

json_line = json.dumps(line)

我明白了：

"{ \"_id\" : ObjectId( \"4d9b642b832a4c4fb2000000\" ),
\"acted_at\" : Date( 1302014955933 ),
\"created_at\" : Date( 1302014955933 ),
\"updated_at\" : Date( 1302014955933 ),
\"_platform_id\" : 3,
\"guid\" : 72106535190265857 }\n"

仍然是<type 'str'>。

我也试过

json_line = json.dumps(line, default=json_util.default)

（请参阅pymongo json_util - 垃圾邮件检测阻止第三个链接）这似乎输出与上面的转储相同。 load给出错误：

json_line = json.loads(line, object_hook=json_util.object_hook)
ValueError: No JSON object could be decoded

那么，我怎样才能将TenGen JSON的字符串转换为可解析的JSON？（最终目标是将制表符分隔数据流式传输到另一个数据库）

Answer 1

你所拥有的是TenGen模式中Mongo Extended JSON的转储（参见here）。一些可能的方法：

如果可以再次转储，请通过MongoDB REST API使用严格输出模式。这应该给你真正的JSON，而不是你现在拥有的。
使用http://pypi.python.org/pypi/bson/中的bson来读取您已经拥有的BSON到Python数据结构中，然后对这些BSON进行任何处理（可能输出JSON）。
使用MongoDB Python绑定连接到数据库以将数据导入Python，然后执行您需要的任何处理。（如果需要，您可以设置本地MongoDB实例并将转储的文件导入其中。）
将Mongo Extended JSON从TenGen模式转换为Strict模式。您可以开发一个单独的过滤器来执行此操作（从stdin读取，使用Strict结构替换TenGen结构，并在stdout上输出结果），或者您可以在处理输入时执行此操作。

以下是使用Python和正则表达式的示例：

import json, re
from bson import json_util

with open("data.tengenjson", "rb") as f:
    # read the entire input; in a real application,
    # you would want to read a chunk at a time
    bsondata = f.read()

    # convert the TenGen JSON to Strict JSON
    # here, I just convert the ObjectId and Date structures,
    # but it's easy to extend to cover all structures listed at
    # http://www.mongodb.org/display/DOCS/Mongo+Extended+JSON
    jsondata = re.sub(r'ObjectId\s*\(\s*\"(\S+)\"\s*\)',
                      r'{"$oid": "\1"}',
                      bsondata)
    jsondata = re.sub(r'Date\s*\(\s*(\S+)\s*\)',
                      r'{"$date": \1}',
                      jsondata)

    # now we can parse this as JSON, and use MongoDB's object_hook
    # function to get rich Python data structures inside a dictionary
    data = json.loads(jsondata, object_hook=json_util.object_hook)

    # just print the output for demonstration, along with the type
    print(data)
    print(type(data))

    # serialise to JSON and print
    print(json_util.dumps(data))

根据您的目标，其中一个应该是一个合理的起点。

Answer 2

将整个bson文档加载到python内存中是很昂贵的。

如果您想要将其流式传输而不是加载整个文件并进行全部加载，则可以尝试使用此库。

https://github.com/bauman/python-bson-streaming

from bsonstream import KeyValueBSONInput
from sys import argv
for file in argv[1:]:
    f = open(file, 'rb')
    stream = KeyValueBSONInput(fh=f,  fast_string_prematch="somthing") #remove fast string match if not needed
    for id, dict_data in stream:
        if id:
         ...process dict_data...

Answer 3

您可以像这样转换bson文件的行：

>>> import bson
>>> bs = open('file.bson', 'rb').read()
>>> for valid_dict in bson.decode_all( bs ):
....

每个valid_dict元素都是一个有效的python dict，可以转换为json。

Answer 4

您可以删除数据类型并使用regex获取严格的json：

import json
import re

#This will outputs a iterator that converts each file line into a dict.
def readBsonFile(filename):
    with open(filename, "r") as data_in:
        for line in data_in:
            # convert the TenGen JSON to Strict JSON
            jsondata = re.sub(r'\:\s*\S+\s*\(\s*(\S+)\s*\)',
                              r':\1',
                              line)

            # parse as JSON
            line_out = json.loads(jsondata)

            yield line_out

如何使用Python将MongoDB的bsondump转换为JSON？

4 个答案: