蟒蛇：從couchdb端點獲取npm包數據

Question

我想獲取npm包元數據。 我發現此端點為我提供了所需的所有元數據。

我編寫了以下腳本來獲取此數據。 我的計划是選擇一些特定的鍵並將該數據添加到某些數據庫中（我也可以將其存儲在json文件中，但是數據很大）。 我做了以下腳本來獲取數據：

import requests
import json
import sys

db = 'https://replicate.npmjs.com';

r = requests.get('https://replicate.npmjs.com/_all_docs', headers={"include_docs" : "true"})

for line in r.iter_lines():
    # filter out keep-alive new lines
    if line:
        print(line)
        decoded_line = line.decode('utf-8')
        print(json.loads(decoded_line))

注意，我什至不包括all-docs ，但它會陷入無限循環。 我認為這是因為數據巨大。

看看-https://replicate.npmjs.com/_all_docs的輸出標題

給我以下輸出：

{"total_rows":1017703,"offset":0,"rows":[
{"id":"0","key":"0","value":{"rev":"1-5fbff37e48e1dd03ce6e7ffd17b98998"}},
{"id":"0-","key":"0-","value":{"rev":"1-420c8f16ec6584c7387b19ef401765a4"}},
{"id":"0----","key":"0----","value":{"rev":"1-55f4221814913f0e8f861b1aa42b02e4"}},
{"id":"0-1-project","key":"0-1-project","value":{"rev":"1-3cc19950252463c69a5e717d9f8f0f39"}},
{"id":"0-100","key":"0-100","value":{"rev":"1-c4f41a37883e1289f469d5de2a7b505a"}},
{"id":"0-24","key":"0-24","value":{"rev":"1-e595ec3444bc1039f10c062dd86912a2"}},
{"id":"0-60","key":"0-60","value":{"rev":"2-32c17752acfe363fa1be7dbd38212b0a"}},
{"id":"0-9","key":"0-9","value":{"rev":"1-898c1d89f7064e58f052ff492e94c753"}},
{"id":"0-_-0","key":"0-_-0","value":{"rev":"1-d47c142e9460c815c19c4ed3355d648d"}},
{"id":"0.","key":"0.","value":{"rev":"1-11c33605f2e3fd88b5416106fcdbb435"}},
{"id":"0.0","key":"0.0","value":{"rev":"1-5e541d4358c255cbcdba501f45a66e82"}},
{"id":"0.0.1","key":"0.0.1","value":{"rev":"1-ce856c27d0e16438a5849a97f8e9671d"}},
{"id":"0.0.168","key":"0.0.168","value":{"rev":"1-96ab3047e57ca1573405d0c89dd7f3f2"}},
{"id":"0.0.250","key":"0.0.250","value":{"rev":"1-c07ad0ffb7e2dc51bfeae2838b8d8bd6"}}, 

注意，所有文檔都從第二行開始（即，所有文檔都是“行”鍵值的一部分）。 現在，我的問題是如何僅獲取“行”鍵的值（即所有文檔）。 我出於類似目的找到了此存儲庫，但由於我是JavaScript的初學者，因此無法使用/轉換它。

Answer 1

如果get()的參數中沒有stream=True ，則在循環開始之前 ，所有數據都將下載到內存中。

然后是一個問題，至少這些行本身不是有效的JSON。 ijson ，您將需要像ijson這樣的增量JSON解析器。 ijson又希望像這是不容易從所獲得的目標文件requests.Response ，所以我會用urllib從這里Python標准庫：

#!/usr/bin/env python3
from urllib.request import urlopen

import ijson


def main():
    with urlopen('https://replicate.npmjs.com/_all_docs') as json_file:
        for row in ijson.items(json_file, 'rows.item'):
            print(row)


if __name__ == '__main__':
    main()

Answer 2

有沒有理由在迭代這些行之前不解碼json？

你可以嘗試一下：

import requests
import json
import sys

db = 'https://replicate.npmjs.com';

r = requests.get('https://replicate.npmjs.com/_all_docs', headers={"include_docs" : "true"})

decoded_r = r.decode('utf-8')
data = json.loads(decoded_r)

for row in data.rows:
    print(row.key)