如何在Python中打开.ndjson文件？

Question

我有一个 20GB 的

.ndjson

文件，我想用 Python 打开它。文件太大，所以我找到了一种方法，用一个在线工具将其分成 50 个文件。这是工具：

https://pinetools.com/split-files

现在我得到一个文件，其扩展名为

.ndjson.000

（我不知道那是什么）

我试图将其作为 json 或 csv 文件打开，以在 pandas 中读取它，但它不起作用。 你知道如何解决这个问题吗？

import json
import pandas as pd

第一种方法：

df = pd.read_json('dump.ndjson.000', lines=True)

错误：

ValueError: Unmatched ''"' when when decoding 'string'

第二种方法：

with open('dump.ndjson.000', 'r') as f:

     my_data = f.read() 

print(my_data)

错误：

json.decoder.JSONDecodeError: Unterminated string starting at: line 1 column 104925061 (char 104925060)

我认为问题是我的文件中有一些表情符号，所以我不知道如何对它们进行编码？

Answer 1

ndjson 现在支持开箱即用的参数

lines=True

import pandas as pd

df = pd.read_json('/path/to/records.ndjson', lines=True)
df.to_json('/path/to/export.ndjson', lines=True)

Answer 2

我认为 pandas.read_json 无法正确处理 ndjson。

根据这个问题你可以做某事。像这样阅读它。

import ujson as json
import pandas as pd

records = map(json.loads, open('/path/to/records.ndjson'))
df = pd.DataFrame.from_records(records)

P.S：此代码的所有积分均来自 Github Issue 中的 KristianHolsheimer

Answer 3

ndjson（换行符分隔）json是json-lines格式，即每一行都是一个json。它非常适合缺乏严格结构（“非 SQL”）的数据集，其中文件大小足以保证多个文件。

你可以使用熊猫：

import pandas as pd
data = pd.read_json('dump.ndjson.000', lines=True)

如果您的 json 字符串不包含换行符，您也可以使用：

import json
with open("dump.ndjson.000") as f:
    data = [json.loads(l) for l in f.readlines()]

Answer 4

您始终可以逐行读取它并使用生成器遍历整个文件，而无需将其完全存储在内存中：

import json

def batch_read_ndjson(file, batch_size):
    batch = []
    with open(file) as f:
        for line in f:
            batch.append(json.load(line))
            if len(batch) == batch_size:
                yield batch
                batch = []

batches = batch_read_ndjson("myfile.ndjson", batch_size=1000)

for batch in batches:
    ## do something

这样你就可以决定批量读取多少行