如何改进解析 lz4 压缩 json 的方法?

How can I improve my method for parsing lz4 compressed json?

我正在解析非常大(5GB 到 2TB)压缩的 json 文件,并使用以下算法将一些数据存储到 csv 文件中。它有效,但由于具有三个嵌套循环而与效率相反。

由于我不熟悉 json 和 python 提供的 yaml 库,我也不确定几行代码的成本:

k = yaml.load(json.dumps(v))

如果你没注意到,我已经调用了一个 yaml.load() 函数 在该行上方:

header = yaml.load(json.dumps(header))

看来我不得不调用该函数两次,因为 header 中键的内部叶子(值)被解释为字符串。

当我简单地在这一行打印出 v 的值时:for k, v in header.iteritems():,输出通常类似于以下行之一:

[{'value': ['4-55251088-0 0NNN RT(1535855435726 0) q(0 -1 -1 -1) r(0 -1)'], 'key': 'x_iinfo'}]
[{'value': ['timeout=60'], 'key': 'keep_alive'}, {'value': ['Sun, 02 Sep 2018 02:30:35 GMT'], 'key': 'date'}]
[{'value': ['W/"12765-1490784752000"'], 'key': 'etag'}, {'value': ['Sun, 02 Sep 2018 02:27:16 GMT'], 'key': 'date'}]
[{'value': ['Sun, 02 Sep 2018 02:30:32 GMT'], 'key': 'date'}]

所以基本上,如果在我们的文件中有一个名为 'unknown' 的类别,它是一个 json 树,包括没有特定类别的所有内容。

是否有更好的方法来获得所有这些值,而不通过添加两个循环来减慢算法速度?

完整方法来源:

def convertJsonHeadersToCSV(jsonFilePath, CSVFilePath,portNum, protocol):
  try:
    bodyPattern = re.compile('<(html|!DOCTYPE).*$', re.IGNORECASE | re.MULTILINE)
    csvFile = open(CSVFilePath, 'w')
    print("Converting " + protocol + " file to csv, please wait...")
    spinner.start()
    csvWriter = unicodecsv.writer(csvFile)
    csvWriter.writerow(['ip', 'date', 'protocol', 'port', 'data'])
    chunk_size = 128 * 1024 * 1024
    with lz4.frame.open(jsonFilePath, 'r') as f:
      for line in f:
        try:
          text = ""
          jsonData = json.loads(line)
          ts = jsonData['timestamp'][:10]
          ip = jsonData['ip']
          data = jsonData['data']['http']
          if 'response' in data:
            if 'headers' in data['response']:
              header = jsonData['data']['http']['response']['headers']
              header = yaml.load(json.dumps(header))
              for k, v in header.iteritems():
                if 'unknown' in k:
                  #print(v)
                  k = yaml.load(json.dumps(v))
                  for i in k:
                    #print(str(i['key']) + ": "+str(i['value']) + "\r\n")
                    text = text + str(str(i['key']) + ": "+str(i['value']) + "\r\n")
                else:
                  text = text + str(str(k) + ": "+str(v) + "\r\n")
              #csvWriter.writerow([ip, ts, protocol, portNum, text])

        except:#sometimes will run into a unicode error, still working on handling this exception.
          pass
    csvFile.close()
    spinner.stop()
    print("Completed conversion of " + protocol + " file.")
  except Exception as ex:
    spinner.stop()
    traceback.print_exc()
    print("An error occurred while converting the file, moving on to the next task...")

可以肯定会大大加快速度的是停止使用 text 作为字符串,因为这些行:

    text = text + str(str(i['key']) + ": "+str(i['value']) + "\r\n")
else:
  text = text + str(str(k) + ": "+str(v) + "\r\n")

正在执行字符串连接。由于字符串是不可变的,因此每次都必须进行新的复制(即使使用 text += 而不是 text = text +,所以这没有任何帮助),并且要复制的字符串越大,越慢(二次复杂度)。

最好是:

  • 定义text为空列表
  • 附加到列表
  • 最后用"".join

所以

 for line in f:
    try:
      text = []   # define an empty list at start
      jsonData = json.loads(line)

然后(使用 str?format 在这里也会有所改善,但那是次要的)

       text.append(str(str(i['key']) + ": "+str(i['value']) + "\r\n"))
    else:
      text.append(str(str(k) + ": "+str(v) + "\r\n"))

最后"mutate" text变成这样的字符串:

text = "".join(text)

或者只是

csvWriter.writerow([ip, ts, protocol, portNum, "".join(text)])