在 python 中处理大型 JSON 数据

Question

我的 JSON (~500mb) 文件有多个 JSON 对象，实际上我只需要使用“customer_id”列。当我执行下面的代码时，它会给出内存错误。

with open('online_pageviews.json') as f:
     online_pageviews = pd.DataFrame(json.loads(line) for line in f)

这是“online_pageviews.json”中 JSON 对象的示例

{
"date": "2018-08-01",
"visitor_id": "3832636531373538373137373",
"deviceType": "mobile",
"pageType": "product",
"category_id": "6365313034",
"on_product_id": "323239323839626",
"customer_id": "33343163316564313264"
}

有没有办法只使用“customer_id”列？ 我该怎么做才能加载这个文件？

Answer 1

如果您管理实际浮动的数据量，您应该能够做到这一点。由于您仅需要客户 ID，因此无需费心将任何其他数据加载到您的数据框中。

customer_id_array = []
with open('online_pageviews.json') as f:
    for line in f:
        customer_id_array.append(json.loads(line)['customer_id'])
online_pageviews = pd.DataFrame(customer_id_array,columns = ['customer_id'])

这样可以显着减少以前使用的额外内存。

（我不确定您的系统是否能够处理此问题，因为 customer_id_array 仍然可以变得相当大，但应该比以前好得多。如果不能，您可能需要寻找一些在线选项来租用系统更多内存。）