如何将大块的ndjson(20GB)文件读入R?
我有一个大数据文件,想一次读取100万行。
当前,我正在使用下面的代码将数据加载到R中。
jsonlite::stream_in(
file(fileName)
)
但是我不需要将所有数据一起加载。如何将该文件拆分为块以更快地加载?
答案 0 :(得分:1)
如果您不希望升级并使用Drill,则可以在zcat
(或gzcat
)和sed
在线的任何系统上使用:
stream_in_range <- function(infile, start, stop, cat_kind = c("gzcat", "zcat")) {
infile <- path.expand(infile)
stopifnot(file.exists(infile))
gzip <- (tools::file_ext(infile) == "gz")
if (gzip) cat_kind <- match.arg(cat_kind, c("gzcat", "zcat"))
start <- as.numeric(start[1])
stop <- as.numeric(stop[1])
sed_arg <- sprintf("%s,%sp;", start, stop, (stop+1))
sed_command <- sprintf("sed -n '%s'", sed_arg)
if (gzip) {
command <- sprintf("%s %s | %s ", cat_kind, infile, sed_command)
} else {
command <- sprintf("%s %s", sed_command, infile)
}
ndjson::flatten(system(command, intern=TRUE), "tbl")
}
stream_in_range("a-big-compressed-ndjson-file.json.gz", 100, 200)
stream_in_range("a-big-uncompressed-nsjdon-file.json", 1, 10)
根据您的需要选择和/或添加其他cat_kind
。