python列表到字典的数据流

Question

我正在尝试将 JSON 文件转换为字典并应用键/值对，这样我就可以使用 groupbykey() 来基本上删除键/值对的重复数据。

这是文件的原始内容:

{"tax_pd":"200003","ein":"720378282"} {“tax_pd”:“200012”，“ein”:“274027765”} {“tax_pd”:“200012”，“ein”:“042746989”} {“tax_pd”:“200012”，“ein”:“205993971”}

我已将其格式化为:

(u'201208', u'010620100') (u'201208'，u'860785769') (u'201208'，u'371650138') (u'201208'，u'237253410')

我想将它们转换为键/值对，这样我就可以在我的数据流管道中应用 GroupByKey。我相信我需要先把它变成一本字典？

我是 python 和谷歌云应用程序的新手，如果能提供一些帮助就太好了!

编辑:代码片段

with beam.Pipeline(options=pipeline_options) as p: (p | 'ReadInputText' >> beam.io.ReadFromText(known_args.input) | 'YieldWords' >> beam.ParDo(ExtractWordsFn()) ＃| 'GroupByKey' >> beam.GroupByKey() | 'WriteInputText' >> beam.io.WriteToText(known_args.output))

类 ExtractWordsFn(beam.DoFn): def 过程(自身，元素): Words = re.findall(r'[0-9]+', 元素) 产量元组(单词)

Answer 1

一个快速的纯 Python 解决方案是:

import json

with open('path/to/my/file.json','rb') as fh:
    lines = [json.loads(l) for l in fh.readlines()]

# [{'tax_pd': '200003', 'ein': '720378282'}, {'tax_pd': '200012', 'ein': '274027765'}, {'tax_pd': '200012', 'ein': '042746989'}, {'tax_pd': '200012', 'ein': '205993971'}]

查看您的数据，您没有唯一的键来通过 tax_pd 和 ein 执行 key:value 操作。假设会发生冲突，您可以执行以下操作:

myresults = {}

for line in lines:
    # I'm assuming we want to use tax_pd as the key, and ein as the value, but this can be extended to other keys

    # This will return None if the tax_pd is not already found
    if not myresults.get(line.get('tax_pd')):
        myresults[line.get('tax_pd')] = [line.get('ein')]
    else:
        myresults[line.get('tax_pd')] = list(set([line.get('ein'), *myresults[line.get('tax_pd')]))

#results
#{'200003': ['720378282'], '200012': ['205993971', '042746989', '274027765']}

这样您就拥有了唯一的键，以及相应的唯一ein值的列表。不完全确定这是否是您想要的。 set 会自动对列表进行重复数据删除，并且包装 list 会重新转换数据类型

然后您可以显式地通过 tax_id 进行查找:

myresults.get('200012')
# ['205993971', '042746989', '274027765']

编辑:要从云存储中读取，代码片段 here翻译成更容易使用:

with gcs.open(filename) as fh:
    lines = fh.read().split('\n')

您可以使用他们的 api 文档设置您的 gcs 对象