我希望将标准JSON对象操作到一个对象,其中每一行必须包含一个单独的,自包含的有效JSON对象。见JSON Lines
JSON_file =
[{u'index': 1,
u'no': 'A',
u'met': u'1043205'},
{u'index': 2,
u'no': 'B',
u'met': u'000031043206'},
{u'index': 3,
u'no': 'C',
u'met': u'0031043207'}]
To JSONL
:
{u'index': 1, u'no': 'A', u'met': u'1043205'}
{u'index': 2, u'no': 'B', u'met': u'031043206'}
{u'index': 3, u'no': 'C', u'met': u'0031043207'}
我目前的解决方案是将JSON文件作为文本文件读取,并从头开始删除[
,从结尾删除]
。因此,在每一行上创建一个有效的JSON对象,而不是包含行的嵌套对象。
我想知道是否有更优雅的解决方案?我怀疑在文件上使用字符串操作可能会出错。
动机是在Spark上将json
文件读入RDD。请参阅相关问题 - Reading JSON with Apache Spark - `corrupt_record`
答案 0 :(得分:5)
您的输入似乎是一系列 Python对象;它当然不是一个JSON文档。
如果您有Python词典列表,那么您只需将每个条目分别转储到一个文件中,然后换行:
import json
with open('output.jsonl', 'w') as outfile:
for entry in JSON_file:
json.dump(entry, outfile)
outfile.write('\n')
json
模块的默认配置是输出JSON而不嵌入换行符。
假设您的A
,B
和C
名称确实是字符串,那么会产生:
{"index": 1, "met": "1043205", "no": "A"}
{"index": 2, "met": "000031043206", "no": "B"}
{"index": 3, "met": "0031043207", "no": "C"}
如果您开始使用包含条目列表的JSON文档,则只需先使用json.load()
/ json.loads()
解析该文档。
答案 1 :(得分:3)
一种简单的方法是在终端中使用 jq
命令。
要在 Debian 和衍生产品上安装 jq
:
$ sudo apt-get install jq
CentOS/RHEL 用户应该运行:
$ sudo yum -y install https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm
$ sudo yum install jq -y
基本用法:
$ jq -c '.[]' some_json.json >> output.jsonl
如果您需要处理大文件,我强烈建议您使用 --stream
标志。这将使 jq
以流模式解析您的 json。
$ jq -c --stream '.[]' some_json.json >> output.json
但是,如果您需要在 python 文件中执行此操作,则可以使用 bigjson
,这是一个在流式模式下解析 JSON 的有用库:
$ pip3 install bigjson
读取一个巨大的 json(在我的例子中,它是 40 GB):
import bigjson
# Reads json file in streaming mode
with open('input_file.json', 'rb') as f:
json_data = bigjson.load(f)
# Open output file
with open('output_file.jsonl', 'w') as outfile:
# Iterates over input json
for data in json_data:
# Converts json to a Python dict
dict_data = data.to_python()
# Saves the output to output file
outfile.write(json.dumps(dict_data)+"\n")
如果需要,请尝试并行化此代码以提高性能。在这里发布结果:)
答案 2 :(得分:1)
the jsonlines package is made exactly for your use case:
import jsonlines
with jsonlines.open('output.jsonl', 'w') as writer:
writer.write_all(items)
(yes, i wrote it only after you posted your original question.)