Python:在大型 jsonl 文件中查找重复项

Question

我正在尝试在 jsonl 文件中查找包含相同标识符值的所有 json 对象。

如果我的数据如下:

{
   "data": {
      "value": 42,
      "url": "url.com",
      "details": {
         "timestamp": "07:32:29",
         "identifier": "123ABC"
         }
      },
   "message": "string"
}

我想找到具有相同标识符值的每个对象。该文件太大，无法一次加载全部内容，因此我逐行检查并仅存储标识符值。这样做的缺点是缺少第一个具有该标识符的对象(即，如果对象 A、B 和 C 都具有相同的标识符，那么我最终只会保存 B 和 C)。为了找到该标识符的第一次出现，我尝试再次读取该文件，以仅在第一次找到每个重复标识符时选取该文件。这是我遇到一些问题的地方。

这部分按预期工作:

import gzip
import json_lines
import jsonlines
from itertools import groupby

identifiers=set()
duplicates=[]

with json_lines.open('file.jsonlines.gz') as f:
    for item in f:
        ID = item["data"]["details"]["identifier"]
        if ID in identifiers:
            duplicates.append(item)
        else:
            identifiers.add(ID)

dup_IDs={dup["data"]["details"]["identifier"] for dup in duplicates}

但是当我第二次阅读该文件时:

with json_lines.open('file.jsonlines.gz') as f:
    for item in f:
        ID = item["data"]["details"]["identifier"]
        if ID in dup_IDs:
            duplicates.append(item)
            dup_IDs.remove(ID)
        else:
            continue

        if len(dup_IDs)==0:
            break
        else:
            continue

它运行了大约 30 分钟，最终导致我的计算机崩溃。我假设(希望)这是因为我的代码有问题，而不是我的计算机有问题，因为代码更容易修复。

Answer 1

如果文件太大，我建议将数据上传到SQL数据库并使用SQL查询来过滤您需要的内容。