如何在大型JSON文件中查找唯一值？

Question

我有兩個大小為data_large(150.1mb)和data_small(7.5kb) json文件。 每個文件中的內容類型為[{"score": 68},{"score": 78}] 。 我需要找到每個文件的唯一分數列表。

在處理data_small時 ，我做了以下操作，並且能夠以0.1 secs查看其內容。

with open('data_small') as f:
    content = json.load(f)

print content # I'll be applying the logic to find the unique values later.

但是在處理data_large時 ，我做了以下操作，我的系統被絞死，緩慢，不得不強制關閉它以使其達到正常速度。 打印其內容大約需要2 mins 。

with open('data_large') as f:
    content = json.load(f)

print content # I'll be applying the logic to find the unique values later.

在處理大型數據集時如何提高程序的效率？

Answer 1

由於您的json文件不是那么大，您可以一次性將它打開到ram中，您可以獲得所有獨特的值，如：

with open('data_large') as f:
    content = json.load(f)

# do not print content since it prints it to stdout which will be pretty slow

# get the unique values
values = set()
for item in content:
    values.add(item['score'])

# the above uses less memory compared to this
# since this has to create another array with all values
# and then filter it for unique values
values = set([i['score'] for i in content])

# its faster to save the results to a file rather than print them
with open('results.json', 'wb') as fid:
    # json cant serialize sets hence conversion to list
    json.dump(list(values), fid)

如果您需要處理更大的文件，那么請尋找可以迭代解析json文件的其他庫。

Answer 2

如果你想在較小的塊中迭代JSON文件以保留RAM，我建議采用下面的方法，根據你的評論，你不想使用ijson來做到這一點。 這只能起作用，因為您的示例輸入數據非常簡單，並且包含一個帶有一個鍵和一個值的字典數組。 對於更復雜的數據，它會變得復雜，我會在那時使用實際的JSON流庫。

import json

bytes_to_read = 10000
unique_scores = set()

with open('tmp.txt') as f:
chunk = f.read(bytes_to_read)
while chunk:
    # Find indices of dictionaries in chunk
    if '{' not in chunk:
        break
    opening = chunk.index('{')
    ending = chunk.rindex('}')

    # Load JSON and set scores.
    score_dicts = json.loads('[' + chunk[opening:ending+1] + ']')
    for s in score_dicts:
        unique_scores.add(s.values()[0])

    # Read next chunk from last processed dict.
    f.seek(-(len(chunk) - ending) + 1, 1)
    chunk = f.read(bytes_to_read)
print unique_scores