python - 将 .txt 文件拆分为多个元素

Question

由于我们无法直接从 Json 文件读取，因此我使用 .txt 文件。 看起来更多的元素用“，”分隔。

[
  {
    "Item_Identifier": "FDW58", 
    "Outlet_Size": "Medium"

  },
  {
    "Item_Identifier": "FDW14",
    "Outlet_Size": "Small"
  },
]

我想计算元素的数量，这里我会得到2。 问题是我无法将文本分成用逗号“，”分隔的元素。 即使我将其转换为 json 格式，我也会单独获取每一行。

lines = p | 'receive_data' >> beam.io.ReadFromText(
    known_args.input)\
    | 'jsondumps' >> beam.Map(lambda x: json.dumps(x))\
    | 'jsonloads' >> beam.Map(lambda x: json.loads(x))\
    | 'print' >> beam.ParDo(PrintFn()) \

Answer 1

我不认为这是一种安全的方法。我没有使用python sdk(我使用java)，但是java端的io.TextIO非常清楚，它会发出一个PCollection，其中每个元素都是来自源文件的一行输入。分层数据格式(json、xml 等)不能修改为以这种方式拆分。

如果您的文件格式与您包含的 json 一样格式良好且非嵌套，您可以摆脱:

• 按行读取文件(正如我相信您正在做的那样)
• 仅过滤包含 }的行
• 计算生成的 pcollection 大小

为了更广泛地与 json 集成，我们采取了不同的方法:

• 从字符串 PCollection 开始，其中每个值都是文件的路径
• 使用 native 库访问文件并以流式方式解析它(我们使用 scala，它有一些可用的流式 json 解析库)
  • 或者，使用 Beam 的 API 从 MatchResult 获取 ReadableFile 实例，并通过该实例访问文件

我的理解是，并非所有文件格式都适合分布式处理器。例如，Gzip 不能轻易“拆分”或分块。与 JSON 相同。 CSV 存在一个问题，即除非您也有方便的开头行，否则这些值都是无意义的。