在 Scala 中扫描一个巨大的 JSON 文件以获取可反序列化的数据

Question

我需要能够处理大型 JSON 文件，在我们在文件中迭代/流式传输时从可反序列化的子字符串中实例化对象。

例如：

假设我只能反序列化为以下实例：

case class Data(val a: Int, val b: Int, val c: Int)

预期的 JSON 格式为：

{   "foo": [ {"a": 0, "b": 0, "c": 0 }, {"a": 0, "b": 0, "c": 1 } ], 
    "bar": [ {"a": 1, "b": 0, "c": 0 }, {"a": 1, "b": 0, "c": 1 } ], 
     .... MANY ITEMS .... , 
    "qux": [ {"a": 0, "b": 0, "c": 0 }  }

我希望 做的是：

import com.codahale.jerkson.Json
val dataSeq : Seq[Data] = Json.advanceToValue("foo").stream[Data](fileStream)
// NOTE: this will not compile since I pulled the "advanceToValue" out of thin air.

作为最后一点，我希望找到一个涉及 Jerkson 或 Play 框架附带的任何其他库的解决方案，但如果另一个 Scala 库能够更轻松地处理这种情况并获得良好的性能：我不反对尝试另一个图书馆。如果有一种干净的方式手动搜索文件，然后使用 Json 库从那里继续解析：我很好。

我不想做的是在不使用流式传输或使用迭代器的情况下摄取整个文件，因为一次将整个文件保存在内存中会非常昂贵。

Answer 1

我还没有用 JSON 完成它（我希望有人会为你提供一个交钥匙解决方案）但是用 XML 完成了它，这是一种处理它的方法。

它基本上是一个简单的 Map->Reduce 过程，借助流解析器。

地图（你的advanceTo）

使用像JSON Simple 这样的流解析器（未测试）。在回调时，您匹配您的“路径”，通过将其写入流（文件支持或内存中，取决于您的数据）来收集下面的任何内容。在您的示例中，这将是您的 foo 数组。如果您的映射器足够复杂，您可能希望在映射步骤中收集多个路径。

减少（你的stream[Data]）

由于您在上面收集的流看起来很小，您可能不需要再次映射/拆分它们，您可以直接在内存中将它们解析为 JSON 对象/数组并对其进行操作（转换、重组等...） .

Answer 2

这是我目前解决问题的方法：

import collection.immutable.PagedSeq
import util.parsing.input.PagedSeqReader
import com.codahale.jerkson.Json
import collection.mutable

private def fileContent = new PagedSeqReader(PagedSeq.fromFile("/home/me/data.json"))
private val clearAndStop = ']'

private def takeUntil(readerInitial: PagedSeqReader, text: String) : Taken = {
  val str = new StringBuilder()
  var readerFinal = readerInitial

  while(!readerFinal.atEnd && !str.endsWith(text)) {
    str += readerFinal.first
    readerFinal = readerFinal.rest
  }

  if (!str.endsWith(text) || str.contains(clearAndStop))
    Taken(readerFinal, None)
  else
    Taken(readerFinal, Some(str.toString))
}

private def takeUntil(readerInitial: PagedSeqReader, chars: Char*) : Taken = {
  var taken = Taken(readerInitial, None)
  chars.foreach(ch => taken = takeUntil(taken.reader, ch.toString))

  taken
}

def getJsonData() : Seq[Data] = {
  var data = mutable.ListBuffer[Data]()
  var taken = takeUntil(fileContent, "\"foo\"")
  taken = takeUntil(taken.reader, ':', '[')

  var doneFirst = false
  while(taken.text != None) {
    if (!doneFirst)
      doneFirst = true
    else
      taken = takeUntil(taken.reader, ',')

    taken = takeUntil(taken.reader, '}')
    if (taken.text != None) {
      print(taken.text.get)
      places += Json.parse[Data](taken.text.get)
    }
  }

  data
}

case class Taken(reader: PagedSeqReader, text: Option[String])
case class Data(val a: Int, val b: Int, val c: Int)

当然，这段代码不能非常干净地处理格式错误的 JSON，并且要用于多个顶级键“foo”、“bar”和“qux”，需要向前看（或从可能的顶部列表中匹配） -level 键），但总的来说：我相信这可以完成工作。它没有我想要的那么实用，也不是超级健壮，但 PagedSeqReader 绝对不会让这变得太混乱。