python csv 大文件_Python性能调优：JSON到CSV，大文件

一位同事要求我将"yelp数据集挑战"中的6个大文件从"扁平"的常规JSON转换为CSV(他认为这些文件看起来像有趣的教学数据)。

我想我可以用：

13# With thanks to http://www.diveintopython3.net/files.html and https://www.reddit.com/r/MachineLearning/comments/33eglq/python_help_jsoncsv_pandas/cqkwyu8/

import os

import pandas

jsondir = 'c:\\example\\bigfiles\'

csvdir = 'c:\\example\\bigcsvfiles\'

if not os.path.exists(csvdir): os.makedirs(csvdir)

for file in os.listdir(jsondir):

with open(jsondir+file, 'r', encoding='utf-8') as f: data = f.readlines()

df = pandas.read_json('[' + ','.join(map(lambda x: x.rstrip(), data)) + ']')

df.to_csv(csvdir+os.path.splitext(file)[0]+'.csv',index=0,quoting=1)

不幸的是，我的计算机内存达不到这个文件大小的任务。(即使我摆脱了循环，虽然它在不到一分钟的时间内发出50MB的文件，但它仍在努力避免冻结我的计算机或崩溃在100MB以上的文件上，最大的文件是3.25GB。)

是否还有其他简单但性能良好的东西可以替代？

在一个循环中是很好的，但是如果文件名对内存有影响的话(只有6个文件)，我也可以用单独的文件名运行6次。

这里是一个".json"文件内容的例子——注意每个文件实际上有很多json对象，每行1个。

3{"business_id":"xyzzy","name":"Business A","neighborhood":"","address":"XX YY ZZ","city":"Tempe","state":"AZ","postal_code":"85283","latitude":33.32823894longitude":-111.28948,"stars":3,"review_count":3,"is_open":0,"attributes":["BikeParking: True","BusinessAcceptsBitcoin: False","BusinessAcceptsCreditCards: True","BusinessParking: {'garage': False, 'street': False, 'validated': False, 'lot': True, 'valet': False}","DogsAllowed: False","RestaurantsPriceRange2: 2","WheelchairAccessible: True"],"categories":["Tobacco Shops","Nightlife","Vape Shops","Shopping"],"hours":["Monday 11:0-21:0","Tuesday 11:0-21:0","Wednesday 11:0-21:0","Thursday 11:0-21:0","Friday 11:0-22:0","Saturday 10:0-22:0","Sunday 11:0-18:0"],"type":"business"}

{"business_id":"dsfiuweio2f","name":"Some Place","neighborhood":"","address":"Strip or something","city":"Las Vegas","state":"NV","postal_code":"89106","latitude":36.189134,"longitude":-115.92094,"stars":1.5,"review_count":2,"is_open":1,"attributes":["BusinessAcceptsBitcoin: False","BusinessAcceptsCreditCards: True"],"categories":["Caterers","Grocery","Food","Event Planning & Services","Party & Event Planning","Specialty Food"],"hours":["Monday 0:0-0:0","Tuesday 0:0-0:0","Wednesday 0:0-0:0","Thursday 0:0-0:0","Friday 0:0-0:0","Saturday 0:0-0:0","Sunday 0:0-0:0"],"type":"business"}

{"business_id":"abccb","name":"La la la","neighborhood":"Blah blah","address":"Yay that","city":"Toronto","state":"ON","postal_code":"M6H 1L5","latitude":43.283984,"longitude":-79.28284,"stars":2,"review_count":6,"is_open":1,"attributes":["Alcohol: none","Ambience: {'romantic': False, 'intimate': False, 'classy': False, 'hipster': False, 'touristy': False, 'trendy': False, 'upscale': False, 'casual': False}","BikeParking: True","BusinessAcceptsCreditCards: True","BusinessParking: {'garage': False, 'street': False, 'validated': False, 'lot': False, 'valet': False}","Caters: True","GoodForKids: True","GoodForMeal: {'dessert': False, 'latenight': False, 'lunch': False, 'dinner': False, 'breakfast': False, 'brunch': False}","HasTV: True","NoiseLevel: quiet","OutdoorSeating: False","RestaurantsAttire: casual","RestaurantsDelivery: True","RestaurantsGoodForGroups: True","RestaurantsPriceRange2: 1","RestaurantsReservations: False","RestaurantsTableService: False","RestaurantsTakeOut: True","WiFi: free"],"categories":["Restaurants","Pizza","Chicken Wings","Italian"],"hours":["Monday 11:0-2:0","Tuesday 11:0-2:0","Wednesday 11:0-2:0","Thursday 11:0-3:0","Friday 11:0-3:0","Saturday 11:0-3:0","Sunday 11:0-2:0"],"type":"business"}

嵌套的JSON数据可以简单地保留为表示它的字符串文本——我只想将顶级键转换为CSV文件标题。

您可以尝试一次在一个JSON字典或一个csv行中读取整个文件，然后将其解析并插入csv，而不是一次读取和解析整个文件。它将需要更多的手工编码，但将在文件流样式下运行良好。

问题是，您的代码将整个文件读取到内存中，然后在内存中创建该文件的近副本。我怀疑它还创建了第三个副本，但还没有验证。NEOX建议的解决方案是逐行读取文件并进行相应的处理。这里是for循环的替换：

8for file in os.listdir(jsondir):

csv_file = csvdir + os.path.splitext(file)[0] + '.csv'

with open(jsondir+file, 'r', encoding='utf-8') as f, open(csv_file, 'w', encoding='utf-8') as csv:

header = True

for line in f:

df = pandas.read_json(''.join(('[', line.rstrip(), ']')))

df.to_csv(csv, header=header, index=0, quoting=1)

header = False

我已经在Mac上用python 3.5测试过这个；它应该在Windows上工作，但我还没有在那里测试过。

笔记：

我已经调整了您的JSON数据；第一行的纬度/经度似乎有错误。

这只是用一个小文件进行了测试；我不确定从何处获取3.5GB文件。

我假设这是你朋友的一次性用法。如果这是生产代码，则需要验证"with"语句的异常处理是否正确。看看如何在python中使用"with open"打开多个文件？详情。

这应该是相当好的表现，但我还是不确定从哪里得到你的大文件。

查看ijson，它使流式处理JSON文件像使用Python迭代器一样简单。

@凯文：问：为什么你的to_csv()不包括mode='a'参数？在一个with open中调用to_csv()会自动附加吗？而且，您的代码工作得很好——转换一个小文件需要更长的时间，但是我的计算机不再冻结，而且工作仍然在合理的时间内完成(应该很容易在一天结束之前完成)，所以我可以让它在后台运行。非常感谢。(最后，我编辑了您的代码，以便在输出文件中包含UTF-8编码——在执行此操作之前，我一直在获取带有外部输入数据的错误。)

@ K。很高兴我能帮忙！由于csv已经打开，传递到to_csv()中，所以to_csv()在写入后不关闭文件。您可以通过查看源代码中的def save()来验证；它将close = False设置为第1476行。github.com/pandas dev/pandas/blob/master/pandas/formats/&hellip；。好问题！

python csv 大文件_Python性能调优：JSON到CSV，大文件相关推荐

ceph分布式文件存储性能调优
ceph分布式文件存储性能调优一.硬件调优二.BIOS配置三.网络配置四.OS配置五.硬盘调度算法六.软件层面七.ceph参数调优一.硬件调优 1.NVMe SSD 调优 ● 目的为 ...
Hive 大数据表性能调优
大数据应用程序开发人员在从 Hadoop 文件系统或 Hive 表读取数据时遇到了挑战. 合并作业(一种用于将小文件合并为大文件的技术)有助于提高读取 Hadoop 数据的性能. 通过合并,文件的数量 ...
深入理解JVM虚拟机14：JVM性能调优的6大步骤，及关键调优参数详解
JVM内存调优对JVM内存的系统级的调优主要的目的是减少GC的频率和Full GC的次数. 1.Full GC 会对整个堆进行整理,包括Young.Tenured和Perm.Full GC因为需要对 ...
Spark 性能常规性能调优广播大变量_大数据培训
常规性能调优四:广播大变量默认情况下,task中的算子中如果使用了外部的变量,每个task都会获取一份变量的复本,这就造成了内存的极大消耗.一方面,如果后续对RDD进行持久化,可能就无法将RDD数据 ...
ES 性能调优，这可能是全网最详细的 Elasticsearch 性能调优指南
文章目录 1.通用优化策略 1.1 通用最小化法则 1.2 职责单一原则 1.3 其他 2.写性能调优 2.1 基本原则 2.2 优化手段 2.2.1 增加 flush 时间间隔, 2.2.2 增加` ...
一篇最通俗易懂的性能调优总结，这篇就够了
一,什么是性能调优? 在说什么是性能调优之前,我们先来说一下,计算机的体系结构. 如上图,简单来说包括三块:硬件.操作系统.应用程序.其实,性能调优就是调节这些内容,包括硬件.操作系统.应用程序.其中 ...
阿里资深软件测试工程师总结的这几点，让你轻松搞懂性能调优
什么是性能调优?(what) 为什么需要性能调优?(why) 什么时候需要性能调优?(when) 什么地方需要性能调优?(where) 什么时候来进行性能调优?(who) 怎么样进行性能调优?(How ...
一篇让小白彻底搞懂性能调优！
前言: 什么是性能调优?(what) 为什么需要性能调优?(why) 什么时候需要性能调优?(when) 什么地方需要性能调优?(where) 什么人来进行性能调优?(who) 怎么样进行性能调优?( ...
「入门运维必看」一篇让小白彻底搞懂性能调优！
前言: 什么是性能调优?(what) 为什么需要性能调优?(why) 什么时候需要性能调优?(when) 什么地方需要性能调优?(where) 什么人来进行性能调优?(who) 怎么样进行性能调优?( ...

python csv 大文件_Python性能调优：JSON到CSV，大文件

python csv 大文件_Python性能调优：JSON到CSV，大文件相关推荐

最新文章

热门文章