使用bash或python排序巨大的JSON文件

Question

要求 ：我有一个.gz格式的Json文件。因此，压缩后的大小约为500 MB。当我提取它时，json文件几乎变成了大约10
GB。提取的JSON文件逐行包含单个JSON对象。我想要的是ps使用任何bash脚本或python程序基于字段对文件进行排序。

由于文件太大，因此不建议将其加载到内存中。因此，我使用了gzcat和cat
bash命令来流式传输JSON数据，然后将它们通过管道传输到jq以进行排序。但是要么系统在处理过程中没有响应，要么在output.json中得到空文件

>cat  sth2.json | parallel --pipe --group --block 1000M --recend '\n}\n' "jq -s -c 'sort_by(.ps) | .[]'"  > "output.json"
>gzcat  sth2.json.gz | parallel --pipe --group --block 1000M --recend '\n}\n' "jq -s -c 'sort_by(.ps) | .[]'"  > "output.json"

硬件 ：16GB RAM，核心i5处理器

样本JSON数据：-

{
    "ps":"abc"
    ....
}
{   
    "ps":"def"
    ......
}
{
    "ps":"abc"
    ....
}

预期产量 ：

{
    "ps":"abc"
    ....
}
{   
    "ps":"abc"
    ....
}
{
    "ps":"def"
    ....
}

我不明白我在做什么错。谁能建议如何对如此巨大的JSON文件进行排序？我关注的链接：https : //github.com/joelpurra/jq-
hopkok/tree/master/src/parallelism

另外，如果没有Hadoop，我可以通过任何Map Reduce进行任何操作吗？

方法1：将数据流传输到本地Sqlite DB。

import sqlite3
import fileinput

PATH=".../sqlite-snapshot-201904101324/testDB.db"
insert_query="INSERT INTO feeds (data) VALUES (?)"

def db_connect(db_path=PATH):
    con = sqlite3.connect(db_path)
    return con

con = db_connect() # connect to the database
cur = con.cursor() # instantiate a cursor obj

record_count = 0
for line in fileinput.input():
    cur.execute(insert_query,(line,))

命令行：

>gzcat sth.json.gz | python insert.py

Answer 1

这是基于其中一项评论中的建议的解决方案：

如果您可以在行前面加上sort键，以便可以将它们作为文本而不是JSON进行排序，那么GNU
sort可以轻松地对10GB以上的文件进行排序，而无需将其加载到内存中。–那个人

您可以使用jq沿着以下行执行此操作：

jq -cr '"\(.ps)\t\(.)"'

这将产生带有制表符分隔值的行，如下所示：

abc {"ps":"abc","x":0}
abc {"ps":"abc","x":1}

使用-c选项可确保将每一对（即排序键和对象）写入一行。

现在，您可以轻松地对行进行排序，例如使用sort；然后使用例如cut剥离.ps字段。

最后，如果您确实希望格式化输出，则可以再次使用jq（例如jq .），这是因为jq默认情况下是面向流的。

警告

以上假设.ps值不带制表符。如果不是这种情况，则可以使用其他字段分隔符，也可以：

jq -cr '([.ps] | @tsv) + "\t" + tostring'