Python 处理超大 JSON 文件，这个方法简单！

如果你需要在 Python 中处理一个大的 JSON 文件，会很容易出现耗尽内存的情况。即使原始数据大小小于内存容量，Python 也会进一步增加内存使用量。这意味着程序会在与磁盘交互时处理缓慢，或在内存不足时崩溃。

一种常见的解决方案是流解析，也就是惰性解析、迭代解析或分块处理。让我们看看如何将此技术应用于 JSON 处理。

问题：Python中加载JSON内存效率低

我们使用这个大小为24MB的JSON文件来举例，它在加载时会对内存产生明显的影响。这个JSON对象是在GitHub中，用户对存储库执行操作时的事件列表：

[{"id":"2489651045","type":"CreateEvent","actor":
{"id":665991,"login":"petroav","gravatar_id":"","url":"https://api.github.com/users/petroav","avatar_url":"https://avatars.githubusercontent.com/u/665991?"},"repo":
{"id":28688495,"name":"petroav/6.828","url":"https://api.github.com/repos/petroav/6.828"},"payload":
{"ref":"master","ref_type":"branch","master_branch":"master","description":"Solution to homework and assignments from MIT's 6.828 (Operating Systems Engineering). Done in my spare time.","pusher_type":"user"},"public":true,"created_at":"2015-01-01T15:00:00Z"},
...
]

我们的目标是找出给定用户在与哪些存储库进行交互。下面是一个简单的 Python 程序：

import json

with open("large-file.json", "r") as f:
    data = json.load(f)

user_to_repos = {}
for record in data:
    user = record["actor"]["login"]
    repo = record["repo"]["name"]
    if user not in user_to_repos:
        user_to_repos[user] = set()
    user_to_repos[user].add(repo)

输出结果是一个用户名映射到存储库名称的字典。我们使用 Fil 内存分析器运行它时，可以发现内存使用的峰值达到了124MB，还可以发现两个主要的内存分配来源：

1. 读取文件

2. 将生成的字节解码为 Unicode 字符串

但我们加载的原始文件是24MB。一旦我们将它加载到内存中并将其解码为文本 (Unicode)Python 字符串，它需要的空间远远超过 24MB。这是为什么？

扩展知识：Python字符串的内存表示

Python字符串在表示时会被更少使用内存的方法优化。每个字符串都有固定的开销，如果字符串可以表示为 ASCII，则每个字符只使用一个字节的内存。如果字符串使用更多扩展字符，则每个字符可能使用4个字节。我们可以使用 sys.getsizeof() 查看一个对象需要多少内存：

>>> import sys
>>> s = "a" * 1000
>>> len(s)
1000
>>> sys.getsizeof(s)
1049

>>> s2 = "❄" + "a" * 999
>>> len(s2)
1000
>>> sys.getsizeof(s2)
2074

>>> s3 = "💵" + "a" * 999
>>> len(s3)
1000
>>> sys.getsizeof(s3)
4076

在上面的例子中3个字符串都是 1000 个字符长，但它们使用的内存量取决于它们包含的字符。

在本例中我们的大JSON 文件里包含不适合ASCII编码的字符，正是因为它是作为一个巨大的字符串加载的，所以整个巨大的字符串会使用效率较低的内存表示。

流处理解决方案

很明显，将整个JSON文件直接加载到内存中是一种内存浪费。

对一个结构为对象列表的 JSON 文件，理论上我们可以一次解析一个块，而不是一次全部解析，以此来减少内存的使用量。目前有许多 Python 库支持这种 JSON 解析方式，下面我们使用 ijson 库来举例。

import ijson

user_to_repos = {}

with open("large-file.json", "r") as f:
    for record in ijson.items(f, "item"):
        user = record["actor"]["login"]
        repo = record["repo"]["name"]
        if user not in user_to_repos:
            user_to_repos[user] = set()
        user_to_repos[user].add(repo)

如果使用json标准库，数据一旦被加载文件就会被关闭。而使用ijson，文件必须保持打开状态，因为当我们遍历记录时，JSON 解析器正在按需读取文件。有关更多详细信息，请参阅 ijson 文档。

在内存分析器运行它时，可以发现内存使用的峰值降到了3.6MB，问题解决了！而且在此例子中，使用 ijson 的流式处理也会提升运行时的性能，当然这个性能取决于数据集或算法。

其他解决方法

• Pandas：Pandas 具有读取 JSON 的能力，理论上它可以以更节省内存的方式读取。
• SQLite：SQLite 数据库可以解析 JSON，将 JSON 存储在列中，以及查询 JSON数据。因此，可以将 JSON 加载到磁盘支持的数据库文件中，并对它运行查询来提取相关的数据子集。

最后，如果可以控制输出格式，则可以通过切换到更高效的表示来减少 JSON 处理的内存使用量。例如，从单个巨大的 JSON 对象列表切换到每行一条 JSON 记录，这意味着每条解码的 JSON 记录将只使用少量内存。

知识延伸

前段时间，Python开发者公号推荐了一款很实用的 JSON 工具，可以更轻松直观地查看 JSON。

参考原文：https://pythonspeed.com/articles/json-memory-streaming/

- EOF -

推荐阅读  点击标题可跳转

↓推荐关注↓

「Python开发者」日常分享 Python 相关的技术文章、实用案例、工具资源、精选课程、热点资讯等

点赞和在看就是最大的支持❤️