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json.dump()转储字典列表，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。无论如何都要将它流式传输到json文件，即将数据逐步写入json文件？

Answer 1

我知道这已经晚了一年，但问题仍然存在，我很惊讶json.iterencode()未被提及。

本例中iterencode的潜在问题是，您希望使用生成器对大型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，将其传递到StreamArray类，将流数组对象传递到iterencode()并迭代块。这些块将是json格式输出，可以直接写入文件。

使用示例：

#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json库没有任何增量写入功能，因此无法做到你想要的。

这显然是非常大文件 - 其他一些表示会更合适吗？

否则，我可以做的最好建议是将每个列表条目转储到内存中结构，并使用必要的分隔符（开头为[，条目之间为],[和{{}将其写出来1}}在最后）尝试构建您需要的JSON。

如果格式化很重要，你应该知道程序写入的包装器测试会破坏正确的缩进，但缩进仅适用于人类，所以它不应该对JSON结构的语义产生任何影响。

Answer 3

您还可以假设您有一个可迭代的it，并且希望将其作为大的JSON记录数组写到文件句柄fh中，然后执行以下操作，我认为这是最多的简单的方法：

def write_json_iter(it, fh):
    print("[", file=fh)
    for n, rec in enumerate(it):
        if n > 0:
            print(",", file=fh)
        json.dump(rec, fh)
    print("]", file=fh)

如何逐步写入json文件

3 个答案: