将 ndjson 导入 R 跳过前 n 行

Question

如何将大 ndjson (20GB) 文件逐块读取到 R 中？

我有一个大数据文件，我想一次读取 1M 行。

目前，我正在使用以下代码将数据加载到 R 中。

jsonlite::stream_in(
  file(fileName)
)

但我不需要将所有数据一起加载。我怎样才能将这个文件拆分成块以更快地加载？

Answer 1

如果您不想升级和使用 Drill，这将适用于任何系统 zcat（或 gzcat）和 sed live：

stream_in_range <- function(infile, start, stop, cat_kind = c("gzcat", "zcat")) {

  infile <- path.expand(infile)
  stopifnot(file.exists(infile))

  gzip <- (tools::file_ext(infile) == "gz")
  if (gzip) cat_kind <- match.arg(cat_kind, c("gzcat", "zcat"))

  start <- as.numeric(start[1])
  stop <- as.numeric(stop[1])

  sed_arg <- sprintf("%s,%sp;", start, stop, (stop+1))

  sed_command <- sprintf("sed -n '%s'", sed_arg)

  if (gzip) {
    command <- sprintf("%s %s | %s ", cat_kind, infile, sed_command)
  } else {
    command <- sprintf("%s %s", sed_command, infile)
  }

  ndjson::flatten(system(command, intern=TRUE), "tbl")

}

stream_in_range("a-big-compressed-ndjson-file.json.gz", 100, 200)

stream_in_range("a-big-uncompressed-nsjdon-file.json", 1, 10)

选择 and/or 添加一个不同的 cat_kind 适合您的任何内容。

将 ndjson 导入 R 跳过前 n 行

import ndjson into R skip first n lines

r

ndjson