使用 bash 或 python 对巨大的 JSON 文件进行排序

Question

要求：我有一个.gz格式的Json文件。 因此，当它被压缩时，它的大小约为 500 MB。 当我提取它时，json 文件几乎变成了 ~10 GB。 提取的 JSON 文件逐行包含各个 JSON 对象。我想要的是使用任何 bash 脚本或 python 程序根据字段ps对文件进行排序。

因为文件太大，不建议加载到内存中。 因此，我使用 gzcat 和 cat bash 命令来流式传输 JSON 数据，然后将它们通过管道传输到 jq 以进行排序。 但是要么系统在此过程中没有响应，要么我在 output.json 中得到空文件

>cat  sth2.json | parallel --pipe --group --block 1000M --recend '\n}\n' "jq -s -c 'sort_by(.ps) | .[]'"  > "output.json"
>gzcat  sth2.json.gz | parallel --pipe --group --block 1000M --recend '\n}\n' "jq -s -c 'sort_by(.ps) | .[]'"  > "output.json"

硬件：16GB 内存，酷睿 i5 处理器

示例 JSON 数据：-

{
    "ps":"abc"
    ....
}
{   
    "ps":"def"
    ......
}
{
    "ps":"abc"
    ....
}

预期输出：

{
    "ps":"abc"
    ....
}
{   
    "ps":"abc"
    ....
}
{
    "ps":"def"
    ....
}

我不明白我做错了什么。 谁能建议如何对如此巨大的 JSON 文件进行排序？ 我关注的链接： https ://github.com/joelpurra/jq-hopkok/tree/master/src/parallelism

另外，有什么方法可以在没有 Hadoop 的情况下通过任何 Map reduce 来做？

方法 1：将数据流式传输到本地 Sqlite 数据库。

import sqlite3
import fileinput

PATH=".../sqlite-snapshot-201904101324/testDB.db"
insert_query="INSERT INTO feeds (data) VALUES (?)"

def db_connect(db_path=PATH):
    con = sqlite3.connect(db_path)
    return con

con = db_connect() # connect to the database
cur = con.cursor() # instantiate a cursor obj

record_count = 0
for line in fileinput.input():
    cur.execute(insert_query,(line,))

命令行：

>gzcat sth.json.gz | python insert.py

Answer 1

这是基于其中一条评论中的建议的解决方案：

例如，如果您可以在行前加上排序键，以便可以将它们作为文本而不是 JSON 进行排序，那么 GNU sort 可以轻松地对 10GB 以上的文件进行排序，而无需将它们加载到内存中。 – 另一个人

您可以使用 jq 按照以下几行执行此操作：

jq -cr '"\(.ps)\t\(.)"' 

这将生成具有制表符分隔值的行，如下所示：

abc {"ps":"abc","x":0}
abc {"ps":"abc","x":1}

使用 -c 选项可确保将每一对（即排序键和对象）写入一行。

现在您可以轻松地对行进行排序，例如使用sort ； 然后使用例如cut去除 .ps 字段。

最后，如果你真的想要格式化输出，你可以再次使用jq （例如jq. ），关键是 jq 默认是面向流的。

警告

以上假定 .ps 值是无制表符的。 如果不是这种情况，那么您可以使用不同的字段分隔符，或者：

jq -cr '([.ps] | @tsv) + "\t" + tostring'

Answer 2

您不必担心不同类型的边缘情况，而是可以使用 base64 编码和解码。

此方法创建两个制表符分隔的列。 第一列包含用于排序的值。 第二个是 base64 格式的完整 JSON。

排序后我们得到第二列和 base64 解码。

gzcat sth.json.gz | \
  | jq -cr '[(. | .ps | @text), (. | @base64)] | @tsv' \ # Create a TSV where the first column contains the value that should be sorted on.
  | sort -t$'\t' -k1,1 \ # Sort only on first column.
  | cut -f 2 \ # Get the base64 encoded JSON from seconds column.
  | base64 -d \ # Decode the base64 encoded JSON. (Ignores newlines)
  | jq -c . # Required to place each JSON on separate line.