如何使用 Python 将 MongoDB 的 bsondump 转换为 JSON？

Question

所以我有大量来自 MongoDB 转储的 .bson。我在命令行上使用bsondump，将输出作为标准输入传送到python。这成功地从 BSON 转换为“JSON”，但它实际上是一个字符串，而且看起来不是合法的 JSON。

例如，输入线路如下所示：

{ "_id" : ObjectId( "4d9b642b832a4c4fb2000000" ),
  "acted_at" : Date( 1302014955933 ),
  "created_at" : Date( 1302014955933 ),
  "updated_at" : Date( 1302014955933 ),
  "_platform_id" : 3,
  "guid" : 72106535190265857 }

我相信是Mongo Extended JSON。

当我读到这样一行时：

json_line = json.dumps(line)

我明白了：

"{ \"_id\" : ObjectId( \"4d9b642b832a4c4fb2000000\" ),
\"acted_at\" : Date( 1302014955933 ),
\"created_at\" : Date( 1302014955933 ),
\"updated_at\" : Date( 1302014955933 ),
\"_platform_id\" : 3,
\"guid\" : 72106535190265857 }\n"

仍然是<type 'str'>。

我也试过

json_line = json.dumps(line, default=json_util.default)

（请参阅 pymongo json_util - 垃圾邮件检测阻止第三个链接） 这似乎与上面的转储相同。加载给出错误：

json_line = json.loads(line, object_hook=json_util.object_hook)
ValueError: No JSON object could be decoded

那么，如何将 TenGen JSON 字符串转换为可解析的 JSON？ （最终目标是将制表符分隔的数据流式传输到另一个数据库）

Answer 1

您拥有的是 TenGen 模式下 Mongo Extended JSON 中的转储（请参阅here）。一些可能的方法：

1. 如果可以再次转储，请通过 MongoDB REST API 使用严格输出模式。那应该给你真正的 JSON，而不是你现在拥有的。

2. 使用来自http://pypi.python.org/pypi/bson/ 的bson 将您已有的BSON 读入Python 数据结构，然后对这些数据结构进行您需要的任何处理（可能输出JSON）。

3. 使用 MongoDB Python 绑定连接到数据库以将数据导入 Python，然后执行您需要的任何处理。 （如果需要，您可以设置一个本地 MongoDB 实例并将转储的文件导入其中。）

4. 将 Mongo 扩展 JSON 从 TenGen 模式转换为严格模式。您可以开发一个单独的过滤器来执行此操作（从 stdin 读取，将 TenGen 结构替换为 Strict 结构，并将结果输出到 stdout），或者您可以在处理输入时执行此操作。

这是一个使用 Python 和正则表达式的示例：

import json, re
from bson import json_util

with open("data.tengenjson", "rb") as f:
    # read the entire input; in a real application,
    # you would want to read a chunk at a time
    bsondata = f.read()

    # convert the TenGen JSON to Strict JSON
    # here, I just convert the ObjectId and Date structures,
    # but it's easy to extend to cover all structures listed at
    # http://www.mongodb.org/display/DOCS/Mongo+Extended+JSON
    jsondata = re.sub(r'ObjectId\s*\(\s*\"(\S+)\"\s*\)',
                      r'{"$oid": "\1"}',
                      bsondata)
    jsondata = re.sub(r'Date\s*\(\s*(\S+)\s*\)',
                      r'{"$date": \1}',
                      jsondata)

    # now we can parse this as JSON, and use MongoDB's object_hook
    # function to get rich Python data structures inside a dictionary
    data = json.loads(jsondata, object_hook=json_util.object_hook)

    # just print the output for demonstration, along with the type
    print(data)
    print(type(data))

    # serialise to JSON and print
    print(json_util.dumps(data))

根据您的目标，其中之一应该是一个合理的起点。

Answer 2

将整个 bson 文档加载到 python 内存中是昂贵的。

如果您想将其流式传输而不是加载整个文件并全部加载，您可以试试这个库。

https://github.com/bauman/python-bson-streaming

from bsonstream import KeyValueBSONInput
from sys import argv
for file in argv[1:]:
    f = open(file, 'rb')
    stream = KeyValueBSONInput(fh=f,  fast_string_prematch="somthing") #remove fast string match if not needed
    for id, dict_data in stream:
        if id:
         ...process dict_data...

Answer 3

您可以像这样转换 bson 文件的行：

>>> import bson
>>> bs = open('file.bson', 'rb').read()
>>> for valid_dict in bson.decode_all( bs ):
....

每个 valid_dict 元素都是一个有效的 Python 字典，您可以将其转换为 json。

Answer 4

您可以去除数据类型并使用正则表达式获取严格的 json：

import json
import re

#This will outputs a iterator that converts each file line into a dict.
def readBsonFile(filename):
    with open(filename, "r") as data_in:
        for line in data_in:
            # convert the TenGen JSON to Strict JSON
            jsondata = re.sub(r'\:\s*\S+\s*\(\s*(\S+)\s*\)',
                              r':\1',
                              line)

            # parse as JSON
            line_out = json.loads(jsondata)

            yield line_out