javascript - 在 Nodejs 中解析大型 JSON 文件

Question

我有一个以 JSON 形式存储许多 JavaScript 对象的文件，我需要读取该文件，创建每个对象，并对它们执行一些操作(在我的例子中将它们插入到数据库中)。 JavaScript 对象可以用以下格式表示:

格式A:

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

或格式B:

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

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

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

但是，文件可能非常大，我更愿意使用流来完成此操作。我在流中看到的问题是文件内容可以随时分解为数据 block ，那么如何在此类对象上使用 JSON.parse() 呢？

理想情况下，每个对象都将作为单独的数据 block 读取，但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它们，但这是一个性能调整 - 我需要一种保证不会导致内存过载的方法，无论文件中包含多少个对象。

我可以选择使用 FormatA 或 FormatB 或其他内容，请在您的答案中注明。谢谢!

Answer 1

要逐行处理文件，您只需将文件的读取与作用于该输入的代码解耦即可。您可以通过缓冲输入直到遇到换行符来实现此目的。假设我们每行有一个 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，都会将其存储在缓冲区中，然后调用pump。

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

如果有换行符，pump 将从开头到换行符的缓冲区切掉，并将其交给 process。然后它再次检查缓冲区中是否有另一个换行符(while 循环)。这样，我们就可以处理当前 block 中读取的所有行。

最后，每个输入行都会调用一次process。如果存在，它会去掉回车符(以避免行结尾问题 - LF 与 CRLF)，然后调用该行中的 JSON.parse 。此时，您可以对对象执行任何您需要的操作。

请注意，JSON.parse 对于它接受的输入内容非常严格；您必须用双引号将标识符和字符串值括起来。换句话说，{name:'thing1'}会抛出错误；您必须使用{"name":"thing1"}。

因为内存中一次最多只有一大块数据，所以这将非常高效地内存。它也将非常快。快速测试显示我在 15 毫秒内处理了 10,000 行。