在Python中打开没有换行符的大型JSON文件以进行csv转换Python 2.6.6

Question

我正在尝试将非常大的json文件转换为csv。我已经能够将这种类型的小文件转换为10条记录（例如）csv文件。但是，当尝试转换大文件（csv文件中的50000行的数量）时，它不起作用。数据是通过curl命令创建的，其中-
o指向要创建的json文件。输出的文件中没有换行符。csv文件将使用csv.DictWriter（）编写，并且（其中数据是json文件输入）的格式为

rowcount = len(data['MainKey'])
colcount = len(data['MainKey'][0]['Fields'])

然后，我遍历行和列的范围以获取csv词典条目

csvkey = data['MainKey'][recno]['Fields'][colno]['name']
cvsval = data['MainKey'][recno][['Fields'][colno]['Values']['value']

我尝试使用其他问题的答案，但它们不适用于大文件（du -m bigfile.json = 157），而我要处理的文件更大。

尝试获取每行的大小将显示

myfile = open('file.json','r').
line = readline():
print len(line)

显示这将读取整个文件为完整字符串。因此，一个小文件将显示67744的长度，而大文件将显示163815116。

尝试直接从中读取数据

data=json.load(infile)

给出了其他问题针对大文件讨论的错误

尝试使用

def json_parse(self, fileobj, decoder=JSONDecoder(), buffersize=2048):


  yield results

如另一个答案所示，该文件适用于72 kb的文件（10行22列），但似乎对于中等大小的157
mb文件来说是锁定的或占用无数时间（来自du -m bigfile.json）

请注意，调试打印显示默认输入参数指定的每个块的大小为2048。似乎它试图遍历2048个块中的整个163815116（如上面的len所示）。如果将块大小更改为32768，则简单的数学计算表明，循环需要5,000个循环来处理文件。

更改为524288的块大小后，大约每11个块退出一次循环，但仍应占用大约312个块来处理整个文件

如果我可以将其停在每个行项目的末尾，则可以处理该行并将其发送到基于以下所示形式的csv文件。

小文件上的vi显示它的形式

{"MainKey":[{"Fields":[{"Value": {'value':val}, 'name':'valname'}, {'Value': {'value':val}, 'name':'valname'}}], (other keys)},{'Fields' ... }] (other keys on MainKey level) }

我无法使用ijson，因为我必须为无法导入其他软件的系统进行设置。

Answer 1

为了处理文件，我使用了8388608（16x0x800000
hex）的块大小结束。然后，我处理了循环中已读取的行，并保留了已处理行数和已丢弃行数。在每个处理功能中，我将数字添加到总数中，以便可以跟踪已处理的记录总数。

这似乎是它需要走的路。

下次问类似这样的问题时，请强调必须指定较大的块大小，而不是原始答案中所示的2048。

循环去

first = True
for data in self.json_parse(inf):
  records = len(data['MainKey'])
  columns = len(data['MainKey'][0]['Fields'])
  if first:
    # Initialize output as DictWriter
    ofile, outf, fields = self.init_csv(csvname, data, records, columns)
    first = False
  reccount, errcount = self.parse_records(outf, data, fields, records)

在解析例程中

for rec in range(records):
  currec = data['MainKey'][rec]
  # If each column count can be different
  columns = len(currec['Fields'])
  retval, valrec = self.build_csv_row(currec, columns, fields)

要解析列，请使用

for col in columns:
  dataname = currec['Fields'][col]['name']
  dataval = currec['Fields'][col]['Values']['value']

因此，参考现在可以正常工作，并且处理已正确处理。大块显然允许处理足够快以处理数据，同时又足够小而不会导致系统过载。