优化：将 JSON 从 Streaming API 转储到 Mongo

Question

背景： 我设置了一个python 模块，用于从流式API 中获取JSON 对象，并使用pymongo 将它们（一次批量插入25 个）存储在MongoDB 中。为了比较，我还有一个来自同一流 API 的 bash 命令到 curl 和 pipe 它到 mongoimport。这两种方法都将数据存储在单独的集合中。

我定期监控集合的count() 以检查它们的表现。

到目前为止，我看到 python 模块落后于 curl | mongoimport 方法大约 1000 个 JSON 对象。

问题： 如何优化我的python 模块以与 curl | mongoimport 同步？

我不能使用tweetstream，因为我使用的不是 Twitter API，而是第 3 方流媒体服务。

有人可以帮我吗？

Python模块：

class StreamReader:
    def __init__(self):
        try:
            self.buff = ""
            self.tweet = ""
            self.chunk_count = 0
            self.tweet_list = []
            self.string_buffer = cStringIO.StringIO()
            self.mongo = pymongo.Connection(DB_HOST)
            self.db = self.mongo[DB_NAME]
            self.raw_tweets = self.db["raw_tweets_gnip"]
            self.conn = pycurl.Curl()
            self.conn.setopt(pycurl.ENCODING, 'gzip')
            self.conn.setopt(pycurl.URL, STREAM_URL)
            self.conn.setopt(pycurl.USERPWD, AUTH)
            self.conn.setopt(pycurl.WRITEFUNCTION, self.handle_data)
            self.conn.perform()
        except Exception as ex:
            print "error ocurred : %s" % str(ex)

    def handle_data(self, data):
        try:
            self.string_buffer = cStringIO.StringIO(data)
            for line in self.string_buffer:
                try:
                    self.tweet = json.loads(line)
                except Exception as json_ex:
                    print "JSON Exception occurred: %s" % str(json_ex)
                    continue

                if self.tweet:
                    try:
                        self.tweet_list.append(self.tweet)
                        self.chunk_count += 1
                        if self.chunk_count % 1000 == 0
                            self.raw_tweets.insert(self.tweet_list)
                            self.chunk_count = 0
                            self.tweet_list = []

                    except Exception as insert_ex:
                        print "Error inserting tweet: %s" % str(insert_ex)
                        continue
        except Exception as ex:
            print "Exception occurred: %s" % str(ex)
            print repr(self.buff)

    def __del__(self):
        self.string_buffer.close()

感谢阅读。

Answer 1

摆脱了 StringIO 库。由于WRITEFUNCTION 回调handle_data，在这种情况下，每行都会调用，只需直接加载JSON。但是，有时数据中可能包含两个JSON 对象。抱歉，我无法发布我使用的 curl 命令，因为它包含我们的凭据。但是，正如我所说，这是适用于任何流式 API 的普遍问题。

def handle_data(self, buf): 
    try:
        self.tweet = json.loads(buf)
    except Exception as json_ex:
        self.data_list = buf.split('\r\n')
        for data in self.data_list:
            self.tweet_list.append(json.loads(data))    

Answer 2

原来您的代码中有一个错误。

                if self.chunk_count % 50 == 0
                    self.raw_tweets.insert(self.tweet_list)
                    self.chunk_count = 0

您重置了 chunk_count，但没有重置 tweet_list。因此，您第二次尝试插入 100 个项目（50 个新项目加上 50 个之前已发送到 DB 的项目）。您已解决此问题，但仍发现性能有所不同。

整个批量大小的事情结果是一个红鲱鱼。我尝试使用一个大的 json 文件并通过 python 加载它，而不是通过 mongoimport 加载它，Python 总是更快（即使在安全模式下 - 见下文）。

仔细查看您的代码，我意识到问题在于流式 API 实际上是以块的形式向您传递数据。您应该只获取这些块并将它们放入数据库中（这就是 mongoimport 正在做的事情）。您的 python 为拆分流、将其添加到列表然后定期向 Mongo 发送批次所做的额外工作可能是我看到的和您看到的之间的区别。

为你的 handle_data() 试试这个 sn-p

def handle_data(self, data):
    try:
        string_buffer = StringIO(data)
        tweets = json.load(string_buffer)
    except Exception as ex:
        print "Exception occurred: %s" % str(ex)
    try:
        self.raw_tweets.insert(tweets)
    except Exception as ex:
        print "Exception occurred: %s" % str(ex)

需要注意的是您的python inserts are not running in "safe mode" - 您应该通过在插入语句中添加参数safe=True 来更改它。然后，您将在任何插入失败时获得异常，并且您的 try/catch 将打印暴露问题的错误。

它的性能成本也不高 - 我目前正在运行一个测试，大约五分钟后，两个集合的大小为 14120 14113。