加载并解析包含多个 JSON 对象的 JSON 文件

2024-12-13 08:36:00
admin
原创
125
摘要:问题描述:我正在尝试用Python加载和解析 JSON 文件。但我无法加载文件:import json json_data = open('file') data = json.load(json_data) 产量:ValueError: Extra data: line 2 column 1 - line ...

问题描述:

我正在尝试用Python加载和解析 JSON 文件。但我无法加载文件:

import json
json_data = open('file')
data = json.load(json_data)

产量:

ValueError: Extra data: line 2 column 1 - line 225116 column 1 (char 232 - 160128774)

我查看了Python 文档中的18.2. json— JSON 编码器和解码器,但阅读这份看起来可怕的文档真是令人沮丧。

前几行(已匿名化并随机输入):

{"votes": {"funny": 2, "useful": 5, "cool": 1}, "user_id": "harveydennis", "name": "Jasmine Graham", "url": "http://example.org/user_details?userid=harveydennis", "average_stars": 3.5, "review_count": 12, "type": "user"}
{"votes": {"funny": 1, "useful": 2, "cool": 4}, "user_id": "njohnson", "name": "Zachary Ballard", "url": "https://www.example.com/user_details?userid=njohnson", "average_stars": 3.5, "review_count": 12, "type": "user"}
{"votes": {"funny": 1, "useful": 0, "cool": 4}, "user_id": "david06", "name": "Jonathan George", "url": "https://example.com/user_details?userid=david06", "average_stars": 3.5, "review_count": 12, "type": "user"}
{"votes": {"funny": 6, "useful": 5, "cool": 0}, "user_id": "santiagoerika", "name": "Amanda Taylor", "url": "https://www.example.com/user_details?userid=santiagoerika", "average_stars": 3.5, "review_count": 12, "type": "user"}
{"votes": {"funny": 1, "useful": 8, "cool": 2}, "user_id": "rodriguezdennis", "name": "Jennifer Roach", "url": "http://www.example.com/user_details?userid=rodriguezdennis", "average_stars": 3.5, "review_count": 12, "type": "user"}

解决方案 1:

您有一个JSON 行格式的文本文件。您需要逐行解析文件:

import json

data = []
with open('file') as f:
    for line in f:
        data.append(json.loads(line))

每一行都包含有效的 JSON,但作为一个整体,它不是一个有效的 JSON 值,因为没有顶级列表或对象定义。

请注意,由于文件每行都包含 JSON,因此您无需费心尝试一次性解析所有内容或找出流式 JSON 解析器。您现在可以选择在继续处理下一行之前单独处理每一行,从而节省内存。如果您的文件非常大,您可能不想将每个结果附加到一个列表中,然后处理所有内容。

如果您有一个包含各个 JSON 对象且其间有分隔符的文件,请使用如何使用“json”模块一次读取一个 JSON 对象?使用缓冲方法解析出各个对象。

解决方案 2:

如果您正在使用pandas并且有兴趣将json文件作为数据框加载,则可以使用:

import pandas as pd
df = pd.read_json('file.json', lines=True)

要将其转换为 json 数组,可以使用:

df.to_json('new_file.json')

解决方案 3:

对于那些偶然发现这个问题的人:pythonjsonlines库(比这个问题年轻得多)优雅地处理每行一个 json 文档的文件。请参阅https://jsonlines.readthedocs.io/

解决方案 4:

就像Martijn Pieters 的答案一样,但可能更具 Python 风格,最重要的是,它支持数据流(参见答案的第二部分):

import json

with open(filepath, "r") as f:
    return list(map(json.loads, f))

函数map(function, iterable)返回一个适用function于 的每个项目的迭代器iterable,产生结果(参见map() python doc)。

并将list此迭代器转换为...列表 :)

但您可以想象直接使用 map 返回的迭代器:它会迭代您的每个 json 行。请注意,在这种情况下,您需要在上下文中执行此操作with open(filepath, "r") as f:这是这种方法的优势,json 行未完全加载到列表中,它们是流式传输的next(iterator):当调用时,map 函数会读取文件的每一行for loop

它会给出:

import json

with open(file path, "r") as f:
    iterator_over_lines = map(json.loads, f)
    # just as you would do with a list but here the file is streamed
    for jsonline in iterator_over_lines:
         # do something for each line
    # the function mapped, json.loads is only call on each iteration
    # that's why the file must stay opened

    # You can try to call yourself the next function used by the for loop:
    next_jsonline = next(iterator_over_lines)
    nextnext_jsonline = next(iterator_over_lines)
    

对于 Martijn 的回答中关于什么是 jsonl(json 逐行文件)以及为什么使用它的解释,我没有什么可补充的!

解决方案 5:

格式正确。每行有一个 JSON 对象,但它们不包含在更大的数据结构(即数组)中。您要么需要重新格式化它,使其以逗号开头[和结尾,要么逐行解析它作为单独的字典。]

解决方案 6:

对@arunppsg 的答案进行补充,但使用多处理来处理目录中的大量文件。

import numpy as np
import pandas as pd
import json
import os
import multiprocessing as mp
import time

directory = 'your_directory'

def read_json(json_files):
    df = pd.DataFrame()
    for j in json_files:
        with open(os.path.join(directory, j)) as f:
            df = df.append(pd.read_json(f, lines=True)) # if there's multiple lines in the json file, flag lines to true, false otherwise.
    return df

def parallelize_json(json_files, func):
    json_files_split = np.array_split(json_files, 10)
    pool = mp.Pool(mp.cpu_count())
    df = pd.concat(pool.map(func, json_files_split))
    pool.close()
    pool.join()
    return df

# start the timer
start = time.time()

# read all json files in parallel
df = parallelize_json(json_files, read_json)

# end the timer
end = time.time()

# print the time taken to read all json files
print(end - start)
相关推荐
  政府信创国产化的10大政策解读一、信创国产化的背景与意义信创国产化,即信息技术应用创新国产化,是当前中国信息技术领域的一个重要发展方向。其核心在于通过自主研发和创新,实现信息技术应用的自主可控,减少对外部技术的依赖,并规避潜在的技术制裁和风险。随着全球信息技术竞争的加剧,以及某些国家对中国在科技领域的打压,信创国产化显...
工程项目管理   1579  
  为什么项目管理通常仍然耗时且低效?您是否还在反复更新电子表格、淹没在便利贴中并参加每周更新会议?这确实是耗费时间和精力。借助软件工具的帮助,您可以一目了然地全面了解您的项目。如今,国内外有足够多优秀的项目管理软件可以帮助您掌控每个项目。什么是项目管理软件?项目管理软件是广泛行业用于项目规划、资源分配和调度的软件。它使项...
项目管理软件   1355  
  信创产品在政府采购中的占比分析随着信息技术的飞速发展以及国家对信息安全重视程度的不断提高,信创产业应运而生并迅速崛起。信创,即信息技术应用创新,旨在实现信息技术领域的自主可控,减少对国外技术的依赖,保障国家信息安全。政府采购作为推动信创产业发展的重要力量,其对信创产品的采购占比情况备受关注。这不仅关系到信创产业的发展前...
信创和国产化的区别   8  
  信创,即信息技术应用创新产业,旨在实现信息技术领域的自主可控,摆脱对国外技术的依赖。近年来,国货国用信创发展势头迅猛,在诸多领域取得了显著成果。这一发展趋势对科技创新产生了深远的推动作用,不仅提升了我国在信息技术领域的自主创新能力,还为经济社会的数字化转型提供了坚实支撑。信创推动核心技术突破信创产业的发展促使企业和科研...
信创工作   9  
  信创技术,即信息技术应用创新产业,旨在实现信息技术领域的自主可控与安全可靠。近年来,信创技术发展迅猛,对中小企业产生了深远的影响,带来了诸多不可忽视的价值。在数字化转型的浪潮中,中小企业面临着激烈的市场竞争和复杂多变的环境,信创技术的出现为它们提供了新的发展机遇和支撑。信创技术对中小企业的影响技术架构变革信创技术促使中...
信创国产化   8  
热门文章
项目管理软件有哪些?
云禅道AD
禅道项目管理软件

云端的项目管理软件

尊享禅道项目软件收费版功能

无需维护,随时随地协同办公

内置subversion和git源码管理

每天备份,随时转为私有部署

免费试用