导出时使用大JSON会导致内存问题

时间:2018-10-21 18:38:32

标签: python json mongodb api elasticsearch

问题:

我有一个API,可以从多个弹性索引中获取数据,并将其组合为一个JSON记录,并在调用该API时返回。而且从API提取的结果通常很大。

因此,iam有一个包装器脚本,可以每天从API获取所有数据。但是在我的代码中,iam有一个名为results的数组,当当天的数据较少时,iam不会出现问题。但是,当一天中获取的数据量巨大时,整个阵列都位于RAM中,从而导致系统运行缓慢。

我创建此数组的主要目的是将mongo导出到另一个网络中,我可以直接从我的网络中复制它。

代码段:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from __future__ import division, print_function, absolute_import
import argparse
import sys
import logging
import MySQLdb
import requests
import json
import time



_logger = logging.getLogger(__name__)


def get_samples(date,end):
    """
    Get Samples hashes form Database

    :param date: date of sample arrival
    :return list_of_hashes
    """
    try:
        results = []
        cur_time = time.time()
        with open('config.json','r') as c:
            config = json.load(c)
        _logger.info('Entering into database {}'.format(date))
        connection = MySQLdb.connect(config['malware_mysql'],"root","root","meta")
        cursor = connection.cursor()
        cursor.execute("SELECT MD5 from some where `Last_Seen` BETWEEN '{} 00:00:00' AND '{} 23:59:59'".format(date,end))
        hashes = cursor.fetchall()
        for hash in hashes:
            _logger.info('Hash {}'.format(hash[0]))
            try:
                response = requests.get('http://{}:{}/some/{}'.format(config['a'],config['b'],hash[0]))
                _logger.info('Result from API {}'.format(response))
                if response.status_code == 200:
                    results.append(json.loads(response.text))
                else:
                    _logger.error('Error in Querying API {} for hash {}'.format(response.status_code,hash))
            except Exception as e:
                _logger.error('Error in querying database {} - {}'.format(hash,e))
        connection.close()
        with open('{}_{}.json'.format(date,end),'w') as f:
            f.write(json.dumps(results))
    except KeyboardInterrupt:
        print('Bye')
    except Exception as e:
        _logger.error('Error in querying database final {}'.format(e))
    return '{} completed'.format(date)


def parse_args(args):
    """
    Parse command line parameters

    :param args: command line parameters as list of strings
    :return: command line parameters as :obj:`airgparse.Namespace`
    """
    parser = argparse.ArgumentParser(
        description="Enter date to Export")
    parser.add_argument(
        dest="date",
        help="Date of Sample Arrival in format 2018-08-16",
        )
    parser.add_argument(
        dest="end",
        help="Date of Sample Arrival end",
        )
    return parser.parse_args(args)


def main(args):
    args = parse_args(args)
    print("{} Samples are quiered -- {}".format(args.date, get_samples(args.date,args.end)))
    _logger.info("Script ends here")


def run():
    logging.basicConfig(level=logging.INFO, stream=sys.stdout)
    main(sys.argv[1:])


if __name__ == "__main__":
    run()

为什么我要这样做? 我想从API导出一整天的记录,然后使用mongoimport将这个JSON文件传输到mongo。

我需要什么? 防止整个阵列位于RAM中并导致系统变慢的替代解决方案。其他使解决方案更有效的解决方案。

1 个答案:

答案 0 :(得分:1)

根据我的收集,您无法直接连接到Mongo数据库,对吗?您可以在本地启动MongoDB吗?这样,您可以使用Mongo Python库在获取结果时保存结果,使用mongoexport将其提取为JSON文件,然后将其导入最终数据库中?

现在回到您的问题,这里有一些建议:

  • 在获取所需信息后立即关闭与MySQL connection.close()的连接,因此请紧接着hashes = cursor.fetchall()
  • json.loads(response.text)也以更好的API response.json()
  • 而著称
  • 您可以直接将文件写到文件中,而不是附加到内存中的results列表中

将所有内容放在一起,无需键盘中断处理,仅更改get_samples函数:

def get_samples(date, end):
    with open('{}_{}.json'.format(date, end), 'w') as out_file:
        out_file.write('[\n')
        with open('config.json','r') as c:
            config = json.load(c)
        _logger.info('Entering into database {}'.format(date))
        connection = MySQLdb.connect(config['malware_mysql'],"root","root","meta")
        cursor = connection.cursor()
        cursor.execute(
            "SELECT MD5 from some where `Last_Seen` BETWEEN '{} 00:00:00' AND '{} 23:59:59'".format(date, end)
        )
        hashes = cursor.fetchall()
        connection.close()
        for hash in hashes:
            _logger.info('Hash {}'.format(hash[0]))
            try:
                response = requests.get('http://{}:{}/some/{}'.format(config['a'],config['b'],hash[0]))
                _logger.info('Result from API {}'.format(response))
                if response.status_code == 200:
                    out_file.write(response.json() + ',\n')
                else:
                    _logger.error('Error in Querying API {} for hash {}'.format(response.status_code,hash))
            except Exception as e:
                _logger.error('Error in querying database {} - {}'.format(hash,e))
        out_file.write(']\n')

我没有尝试过此代码,因此某处可能存在语法错误。希望那能使您足够接近。

如果内存使用率仍然很高,请注意请求库具有a streaming mode,这可能会进一步帮助您。