有一个很大的 json 文件，要如何才能将它读到内存中呢， 4 个多 G

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2382 天前的主题，其中的信息可能已经有所发展或是发生改变。

尝试用 pickle.loads 读到内存，直接内存溢出了，试着用 pandas.read_json()读取，但是报错，Excepted object or value 黔驴技穷，不知道该咋弄了

第 1 条附言 · 2018-06-05 15:42:51 +08:00

可能我的描述出了点问题，该对象是用 pickle.dump 出去的，然后再 load 进来的时候，会内存溢出。。。。。

JSON

内存

excepted

Object

60 条回复 • 2018-06-14 17:14:36 +08:00

opengps

2018-06-05 11:45:46 +08:00

要不你试试用工具把内存映射成硬盘，然后当作硬盘读写？
不过貌似没有长期免费的内存映射硬盘工具

purebluesong

2018-06-05 12:17:48 +08:00

怎么写的怎么读吧，python 的 loads 会在内存中占用成 10 倍磁盘空间的大小。
不过如果 Expected object or value 的话应该这个文件本身就有问题了，说不定因为文件大小限制而被截断了

Luckyray

2018-06-05 12:18:41 +08:00 via iPhone

这么大还用 json 不太合适吧……

likuku

2018-06-05 12:20:27 +08:00

某些数据库已经支持 Json 数据类型了，先塞进去，Py 再去读 DB 呢？

zynlp

2018-06-05 12:20:48 +08:00 via iPhone

加内存，就是这么直接

janxin

2018-06-05 12:21:33 +08:00

才 4 个 G 不会爆内存的吧...你内存不够了？

ho121

2018-06-05 12:25:21 +08:00 via Android

自己写个 json 解释器，支持流式读取

twor2

2018-06-05 12:25:23 +08:00 via iPhone

开一个临时的大内存云服务器

lesteryu

2018-06-05 12:31:19 +08:00

pip install ijson

Bramblex2

2018-06-05 12:38:59 +08:00 via iPhone

你这 json 什么结构啊…如果层数深还是长度长？

maxco292

2018-06-05 13:11:53 +08:00

Memory-mapped file
https://docs.python.org/3.0/library/mmap.html

iwtbauh

2018-06-05 13:36:02 +08:00 via Android

@opengps Linux 自带 mount -t tmpfs 了解一下，内存文件系统，比内存盘还要高效

shilyx

2018-06-05 13:36:52 +08:00

将你的需求映射为数据接口由 c++来处理，C++用 rapidjson 来读取

rapidjson 如果还是不行，就用 c++写一个针对文件的、有限功能的 json 库

如果自己搞不定，就外包

iwtbauh

2018-06-05 13:37:34 +08:00 via Android

使用 64 位处理器，64 位操作系统和 64 位 Python 尝试

从理论上讲，64 位进程的虚拟内存可以高达 EB 级别（ 32 位进程的虚拟内存通常只有 2GB 或 3GB，不可能超过 4GB ）

scriptB0y

2018-06-05 13:41:56 +08:00

建议使用 less 这种文本阅读工具看一下内容，然后根据内容用代码一部分一部分的读然后切成小文件，应该是比较快的方法。

lihongjie0209

2018-06-05 13:57:00 +08:00

为什么不先导入到数据库

graysheeep

2018-06-05 14:05:39 +08:00

搞策略交易么

est

2018-06-05 14:07:16 +08:00

#9 楼 @lesteryu 回复正解。迭代式解析 json 即可。内存绝对不会爆炸。

RicardoScofileld

2018-06-05 14:23:07 +08:00

@opengps 没接触过这种工具，推荐一个谢谢啦

RicardoScofileld

2018-06-05 14:24:38 +08:00

@purebluesong 你说为啥 load 的时候，会达到文件本身 10 倍的内存占用呢，是因为 Python 的数据类型导致的吗

RicardoScofileld

2018-06-05 14:25:39 +08:00

@Luckyray 哎，我老大写的代码，要我优化，他服务器 32 个 G 的内存，给我开了一个 8G 的，我跑代码特么的动不动就内存溢出。真的头大

RicardoScofileld

2018-06-05 14:26:17 +08:00

@zynlp 真粗暴，有没有什么免费的骚操作

RicardoScofileld

2018-06-05 14:27:01 +08:00

@janxin 文件大小虽然是 4 个 G,但是 load 的时候会造成很多倍的内存占用，也不知道为什么

RicardoScofileld

2018-06-05 14:27:44 +08:00

@ho121 大佬，可以来个示范代码或者链接吗，万分感激

RicardoScofileld

2018-06-05 14:28:48 +08:00

@twor2 公司 32G 的服务器，也会跑崩

RicardoScofileld

2018-06-05 14:29:18 +08:00

@lesteryu 查阅相关资料的时候看到这个库，我去了解一下

RicardoScofileld

2018-06-05 14:29:34 +08:00

@Bramblex2 字典，嵌套字典

RicardoScofileld

2018-06-05 14:31:32 +08:00

@lihongjie0209 这算一个临时的中间文件，所以没有保存数据库

RicardoScofileld

2018-06-05 14:36:18 +08:00

@iwtbauh Python 版本倒是 64 位的其他就不知道了

RicardoScofileld

2018-06-05 14:38:53 +08:00

@shilyx 小弟的水平看来只能 GG 了

linuxchild

2018-06-05 14:54:26 +08:00

单机 spark 试试？

USNaWen

2018-06-05 14:59:48 +08:00

rapidjson，用 SAX+流式。
https://github.com/Tencent/rapidjson

ipeony

2018-06-05 15:13:26 +08:00

导 mongodb 里

flyingghost

2018-06-05 15:47:43 +08:00

首先，先搞清楚你把数据加载到内存后打算干吗。
这坨数据就是比你内存大，和格式无关。哪怕它是再精简不过的 bin 格式，哪怕我用 c，都无法解决 8G 内存读取 800G 数据的矛盾。
唯一的出路，就是根据数据格式和需求确定解析和计算模式，部分解析，部分计算，分治然后汇总。

建议的几种读取方式：
1，SAX 了解一下，事件流驱动的 xml 解析思路，搬到 json 上毫无问题。
2，切割原 json 文件，给它补上恰当的开始、关闭符来确保结构。
3，自己实现解析器，最 low 的状态机实现起来很简单的。然后一边解析一边处理一边丢弃。
4，如果 json 数据有某种特征，预处理一下。（比如结构体其实不复杂元素也不多，但里面有个字段的值超大，那么先文本处理 json，把这个字段抽取出来形成外部文件，json 内只留个文件名索引）其实很多超大数据集要么结构简单只是数据条数多，要么条数不多但单条比较大，很容易做针对性处理。

yedashuai

2018-06-05 15:49:46 +08:00

这是使用 generator 的最佳场景呀，流式读取和解析~~~

RicardoScofileld

2018-06-05 15:56:51 +08:00

@flyingghost 这个本来是很多个文件处理后生成的一个字典，然后用 pickle dump 出去，生成一个临时中间文件，避免下次使用的时候还要经过计算生成，但是在 load 的时候，不知道为什么内存占用会成倍的增长。

RicardoScofileld

2018-06-05 15:57:26 +08:00

@yedashuai 用 pickle 生成的文件，要如何流式读取解析呢

henglinli

2018-06-05 16:28:49 +08:00 via iPhone

这就是典型设计问题啊

jyf

2018-06-05 16:39:07 +08:00

有流式解析的不过这要看你的数据本身的结构 34 楼已经说得很清楚了

RedFlag2233

2018-06-05 16:48:49 +08:00 via Android

with as 😯

crist

2018-06-05 17:00:32 +08:00

请装 16G 的内存，谢谢。

focusheart

2018-06-05 18:05:51 +08:00

嗯，看了补充内容，标题有歧义。
标题的一般理解是有个 4G 多的 xxx.json 的纯文本文件。
而实际上是一个 pickle dump 出来的对象文件比如 xxx.pkl 。
显然用 pd.read_json() 是无法读取这个 xxx.pkl 的，也不用考虑流式之类的问题。

这样几种方法解决：
1. 如#41 所说，加内存，简单有效省事。
2. 用 json 的话，重新用 json.dump() 搞一个纯文本的 xxx.json。纯文本怎么都好办。
3. pickle 并不适合搞大对象的保存。换个库来做对象序列化，marsahl 好一些，但是要注意 python 版本。

diggerdu

2018-06-05 18:54:34 +08:00

临时加个 swapfile

aimiyooo

2018-06-05 23:28:00 +08:00

4 个 G 数据，加载到内存可远远不止 4G

exhades

2018-06-06 00:03:25 +08:00

加内存咯....不过全部加载到内存干什么.....

qwertyegg

2018-06-06 01:17:41 +08:00

NoSQL

feiffy

2018-06-06 09:07:45 +08:00

如果都是条数多，嵌套层数少，相同元素多，可以流式读取文件，generator 处理啊

RicardoScofileld

2018-06-06 09:24:16 +08:00

@jyf 额是我的描述出了点问题，pickle.dump 是异于 json.dump 的，是一个超大的字典，dump 出去有 4 个多 G，但是 load 的时候内存占用成倍的增长，直接溢出

RicardoScofileld

2018-06-06 09:25:14 +08:00

@crist 文件达到将近 5 个 G 的时候，32G 内存服务器偶尔会崩。。。。

RicardoScofileld

2018-06-06 09:26:58 +08:00

@focusheart 是啊，我原以为这两个库作用是相同的，查阅资料的时候才发现是有区别的，误导了大家了，尴尬

RicardoScofileld

2018-06-06 09:27:23 +08:00

@diggerdu 谢谢，我去了解一下

RicardoScofileld

2018-06-06 09:29:17 +08:00

@aimiyooo 是啊，pickle dump 出去只有 4 个 G，load 进来的时候却成倍的增长，是不是因为数据结构的原因呢

RicardoScofileld

2018-06-06 09:31:28 +08:00

@exhades 是经过处理计算的一个字典，为了减少下次运算时间，所以打算用空间换取时间，dump 出一个中间临时文件，到时候直接 load 进来的

RicardoScofileld

2018-06-06 09:34:07 +08:00

@qwertyegg 如果用 nosql，我想了一下，对于 redis，貌似只能用 hash 类型，但是这个字典里面有嵌套，要保存的话，还是需要序列化

lfzyx

2018-06-06 10:16:19 +08:00

大多数应用程序都必须检索整个对象，然后仅过滤出所需数据以进行进一步分析。借助 S3 Select，应用程序可以将过滤和访问对象内部数据的繁重工作卸载到 Amazon S3 服务。

https://aws.amazon.com/cn/about-aws/whats-new/2018/04/amazon-s3-select-is-now-generally-available/?nc1=f_ls