在Node.js中解析大型JSON文件

一尘不染

在Node.js中解析大型JSON文件

javascript

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，我更喜欢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，确保无论文件中包含多少个对象，都不会导致内存过载。

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！

阅读 495

2020-05-01

共1个答案

一尘不染

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，我们可以处理在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所需的操作。

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，所以这将极大地提高存储效率。这也将非常快。快速测试显示，我在15毫秒内处理了10,000行。

2020-05-01