我在两小时前推出了这段代码：
python -c "import sys, yaml, json; json.dump(yaml.load(sys.stdin), sys.stdout, indent=4)" < input.yaml > output.json
我有一个450 MB的YAML文件，在这次转换中浪费的时间真的令人难以置信（实际上还在转换） 在我使用2 MB的YAML测试文件来测试代码（在互联网上找到的代码）之前。我收到了一个9 MB的转换JSON文件。这对我来说真的很奇怪（JSON需要更多空间），但更奇怪的是，打开2 MB YAML文件的python浪费的时间比打开9 MB的JSON文件要多。 当YAML文件需要2分钟时，JSON文件立即打开。 有人可以解释这些事吗？ python，JSON和YAML解析器背后的魔力在哪里？
答案 0 :(得分：4)
YAML比JSON复杂得多，因此在解析过程中，YAML必须进行更多检查，例如：下一个节点是否在输入时从块切换到流式。更多的努力只需要更多的时间。
因此，即使您使用CLoader加载（在YAML中您必须明确地执行，并且这是该JSON标准库的默认值），您将会变慢。
YAML文件可以更小应该是明显的，因为它不需要JSON所需的（双）引用开销。但是阅读文件不是花费时间的地方，而是解析，这对YAML来说更难。
YAML解析器（纯Python和CLoader的帮助）比JSON解析器具有更多的内存开销，分配该内存当然也是有代价的。如果加载2Mb YAML文件使用100Mb +内存，我不会感到惊讶。
对于较小的语法，优化解析器当然也更容易，YAML的CLoader肯定可以改进，但这样做需要花费很多时间。
还有一点不同，即使使用json.load()，整个文件也会被读入内存然后进行解析（load()，只需调用loads()。 YAML解析流，原则上可以处理大于内存/交换空间的文件，也有一些开销。另一方面，解析YAML会产生相当大的开销，因此大文件也会成为一个问题。