在Node.js中解析大型JSON文件

我有一个文件，该文件以JSON形式存储许多JavaScript对象，我需要读取该文件，创建每个对象并对其进行处理（以我为例将其插入到db中）。JavaScript对象可以表示为以下格式：

格式A：

[{name: 'thing1'},
....
{name: 'thing999999999'}]

或格式B：

{name: 'thing1'}         // <== My choice.
...
{name: 'thing999999999'}

请注意，...表示很多JSON对象。我知道我可以将整个文件读入内存，然后JSON.parse()像这样使用：

fs.readFile(filePath, 'utf-8', function (err, fileContents) {
  if (err) throw err;
  console.log(JSON.parse(fileContents));
});

但是，该文件可能确实很大，我希望使用流来完成此操作。我在流中看到的问题是文件内容随时都可能被分解成数据块，那么如何JSON.parse()在此类对象上使用？

理想情况下，每个对象将被读取为一个单独的数据块，但是我不确定如何做到这一点。

var importStream = fs.createReadStream(filePath, {flags: 'r', encoding: 'utf-8'});
importStream.on('data', function(chunk) {

    var pleaseBeAJSObject = JSON.parse(chunk);           
    // insert pleaseBeAJSObject in a database
});
importStream.on('end', function(item) {
   console.log("Woot, imported objects into the database!");
});*/

注意，我希望防止将整个文件读入内存。时间效率对我来说并不重要。是的，我可以尝试一次读取多个对象并一次插入所有对象，但这是性能上的调整-我需要一种方法来确保不会引起内存过载，无论文件中包含多少个对象。

我可以选择使用，FormatA或者选择FormatB其他方式，只需在您的答案中指定即可。谢谢！

要逐行处理文件，只需要将文件的读取与作用于该输入的代码分离开。您可以通过缓冲输入直到碰到换行符来完成此操作。假设每行有一个JSON对象（基本上是格式B）：

var stream = fs.createReadStream(filePath, {flags: 'r', encoding: 'utf-8'});
var buf = '';

stream.on('data', function(d) {
    buf += d.toString(); // when data is read, stash it in a string buffer
    pump(); // then process the buffer
});

function pump() {
    var pos;

    while ((pos = buf.indexOf('\n')) >= 0) { // keep going while there's a newline somewhere in the buffer
        if (pos == 0) { // if there's more than one newline in a row, the buffer will now start with a newline
            buf = buf.slice(1); // discard it
            continue; // so that the next iteration will start with data
        }
        processLine(buf.slice(0,pos)); // hand off the line
        buf = buf.slice(pos+1); // and slice the processed data off the buffer
    }
}

function processLine(line) { // here's where we do something with a line

    if (line[line.length-1] == '\r') line=line.substr(0,line.length-1); // discard CR (0x0D)

    if (line.length > 0) { // ignore empty lines
        var obj = JSON.parse(line); // parse the JSON
        console.log(obj); // do something with the data here!
    }
}

每次文件流从文件系统接收数据时，它都会存储在缓冲区中，然后pump被调用。

如果缓冲区中没有换行符，pump则不执行任何操作即可返回。下次流获取数据时，会将更多数据（可能还有换行符）添加到缓冲区中，然后我们将拥有一个完整的对象。

如果有换行符，请pump从开始处将缓冲区切到换行符，然后将其移交给process。然后，它再次检查缓冲区中是否还有换行符（while循环）。这样，我们可以处理当前块中读取的所有行。

最后，process每条输入线被调用一次。如果存在，它将去除回车符（以避免出现行尾问题– LF vs CRLF），然后将JSON.parse其中之一称为行。此时，您可以对对象执行任何操作。

注意，JSON.parse它接受什么作为输入是严格的。您必须用双引号将标识符和字符串值引起来。换句话说，{name:'thing1'}会抛出错误；您必须使用{"name":"thing1"}。

因为一次最多只能有一块数据存储在内存中，所以这将大大提高存储效率。这也将非常快。快速测试显示，我在15毫秒内处理了10,000行。

正如我以为编写流式JSON解析器会很有趣一样，我也认为也许应该快速搜索一下是否已有一个可用的。

原来有。

• JSONStream “流式JSON.parse和字符串化”

自从我刚找到它以来，我显然没有使用过它，因此我无法评论其质量，但是我很想知道它是否有效。

考虑以下Javascript并可以正常工作_.isString：

stream.pipe(JSONStream.parse('*'))
  .on('data', (d) => {
    console.log(typeof d);
    console.log("isString: " + _.isString(d))
  });

如果流是对象数组，则将记录对象进入时的状态。因此，唯一要缓冲的是一次仅一个对象。

2014年10月的，你可以做类似如下（使用JSONStream） - https://www.npmjs.org/package/JSONStream

var fs = require('fs'),
    JSONStream = require('JSONStream'),

var getStream() = function () {
    var jsonData = 'myData.json',
        stream = fs.createReadStream(jsonData, { encoding: 'utf8' }),
        parser = JSONStream.parse('*');
    return stream.pipe(parser);
}

getStream().pipe(MyTransformToDoWhateverProcessingAsNeeded).on('error', function (err) {
    // handle any errors
});

用一个工作示例进行演示：

npm install JSONStream event-stream

data.json：

{
  "greeting": "hello world"
}

hello.js：

var fs = require('fs'),
    JSONStream = require('JSONStream'),
    es = require('event-stream');

var getStream = function () {
    var jsonData = 'data.json',
        stream = fs.createReadStream(jsonData, { encoding: 'utf8' }),
        parser = JSONStream.parse('*');
    return stream.pipe(parser);
};

getStream()
    .pipe(es.mapSync(function (data) {
        console.log(data);
    }));

$ node hello.js
// hello world

我意识到，如果可能的话，您要避免将整个JSON文件读取到内存中，但是，如果您有可用的内存，那么就性能而言可能不是一个坏主意。在json文件上使用node.js的require（）可以将数据真正快速地加载到内存中。

我进行了两次测试，以查看从81MB geojson文件中的每个功能打印出属性时的性能如何。

在第一个测试中，我使用读取了整个geojson文件到内存中var data = require('./geo.json')。这花费了3330毫秒，然后从每个功能中打印出一个属性花费了804毫秒，总计4134毫秒。但是，似乎node.js正在使用411MB的内存。

在第二个测试中，我将@arcseldon的答案与JSONStream + event-stream一起使用。我修改了JSONPath查询以仅选择我需要的内容。这次的内存从未超过82MB，但是现在整个过程花了70秒！

我有类似的要求，我需要在node js中读取一个大的json文件，并分块处理数据，然后调用api并保存在mongodb中。inputFile.json类似于：

{
 "customers":[
       { /*customer data*/},
       { /*customer data*/},
       { /*customer data*/}....
      ]
}

现在，我使用JsonStream和EventStream同步实现了这一点。

var JSONStream = require("JSONStream");
var es = require("event-stream");

fileStream = fs.createReadStream(filePath, { encoding: "utf8" });
fileStream.pipe(JSONStream.parse("customers.*")).pipe(
  es.through(function(data) {
    console.log("printing one customer object read from file ::");
    console.log(data);
    this.pause();
    processOneCustomer(data, this);
    return data;
  }),
  function end() {
    console.log("stream reading ended");
    this.emit("end");
  }
);

function processOneCustomer(data, es) {
  DataModel.save(function(err, dataModel) {
    es.resume();
  });
}

我编写了一个可以做到这一点的模块，称为BFJ。具体来说，该方法bfj.match可用于将大型流分解为离散的JSON块：

const bfj = require('bfj');
const fs = require('fs');

const stream = fs.createReadStream(filePath);

bfj.match(stream, (key, value, depth) => depth === 0, { ndjson: true })
  .on('data', object => {
    // do whatever you need to do with object
  })
  .on('dataError', error => {
    // a syntax error was found in the JSON
  })
  .on('error', error => {
    // some kind of operational error occurred
  })
  .on('end', error => {
    // finished processing the stream
  });

在这里，bfj.match返回一个可读的对象模式流，该流将接收已解析的数据项，并传递3个参数：

1. 包含输入JSON的可读流。

2. 谓词，指示解析的JSON中的哪些项目将被推送到结果流。

3. 一个options对象，指示输入为换行符分隔的JSON（这是为了处理问题中的格式B，格式A不是必需的）。

调用后，bfj.match将首先从输入流中解析JSON，然后使用每个值调用谓词以确定是否将该项推送到结果流。谓词传递了三个参数：

1. 属性键或数组索引（这将undefined用于顶级项）。

2. 价值本身。

3. JSON结构中项目的深度（顶级项目为零）。

当然，根据需要，也可以根据需要使用更复杂的谓词。如果要对属性键执行简单匹配，还可以传递字符串或正则表达式而不是谓词函数。

我使用split npm模块解决了这个问题。用管道将流分成多个部分，它将“ 分解流并重新组装它，使每一行都是一块 ”。

样例代码：

var fs = require('fs')
  , split = require('split')
  ;

var stream = fs.createReadStream(filePath, {flags: 'r', encoding: 'utf-8'});
var lineStream = stream.pipe(split());
linestream.on('data', function(chunk) {
    var json = JSON.parse(chunk);           
    // ...
});

如果您可以控制输入文件，并且它是一个对象数组，则可以更轻松地解决此问题。安排将每条记录的文件输出到一行，如下所示：

[
   {"key": value},
   {"key": value},
   ...

这仍然是有效的JSON。

然后，使用node.js readline模块一次处理它们。

var fs = require("fs");

var lineReader = require('readline').createInterface({
    input: fs.createReadStream("input.txt")
});

lineReader.on('line', function (line) {
    line = line.trim();

    if (line.charAt(line.length-1) === ',') {
        line = line.substr(0, line.length-1);
    }

    if (line.charAt(0) === '{') {
        processRecord(JSON.parse(line));
    }
});

function processRecord(record) {
    // Process the records one at a time here! 
}

我认为您需要使用数据库。在这种情况下，MongoDB是一个不错的选择，因为它与JSON兼容。

更新：您可以使用mongoimport工具将JSON数据导入MongoDB。

mongoimport --collection collection --file collection.json