Как я могу улучшить мой метод парсинга lz4 сжатого json?

Question

Я анализирую очень большие (от 5 ГБ до 2 ТБ) сжатые файлы JSON и сохраняю некоторые данные в файлы CSV с помощью приведенного ниже алгоритма. Это работает, но является противоположностью эффективности из-за наличия трех вложенных циклов.

Я также не уверен в стоимости нескольких строк кода из-за того, что незнаком с библиотеками json и yaml, предоставляемыми python:

k = yaml.load(json.dumps(v))

Если вы не заметили, я уже позвонил yaml.load() Функция над этой линией с:

header = yaml.load(json.dumps(header))

Кажется, мне пришлось дважды вызывать функцию, потому что внутренние листья (значения) ключей из header были интерпретированы как строки.

Когда я просто распечатываю значение v в этой строке: for k, v in header.iteritems():вывод обычно выглядит как одна из следующих строк:

[{'value': ['4-55251088-0 0NNN RT(1535855435726 0) q(0 -1 -1 -1) r(0 -1)'], 'key': 'x_iinfo'}]
[{'value': ['timeout=60'], 'key': 'keep_alive'}, {'value': ['Sun, 02 Sep 2018 02:30:35 GMT'], 'key': 'date'}]
[{'value': ['W/"12765-1490784752000"'], 'key': 'etag'}, {'value': ['Sun, 02 Sep 2018 02:27:16 GMT'], 'key': 'date'}]
[{'value': ['Sun, 02 Sep 2018 02:30:32 GMT'], 'key': 'date'}]

в общем, если в нашем файле есть категория с именем "неизвестно", то есть дерево json, включающее в себя все без определенной категории.

Есть ли лучший способ получить все эти значения без замедления алгоритма, добавив еще два цикла?

Полный метод источника:

def convertJsonHeadersToCSV(jsonFilePath, CSVFilePath,portNum, protocol):
  try:
    bodyPattern = re.compile('<(html|!DOCTYPE).*$', re.IGNORECASE | re.MULTILINE)
    csvFile = open(CSVFilePath, 'w')
    print("Converting " + protocol + " file to csv, please wait...")
    spinner.start()
    csvWriter = unicodecsv.writer(csvFile)
    csvWriter.writerow(['ip', 'date', 'protocol', 'port', 'data'])
    chunk_size = 128 * 1024 * 1024
    with lz4.frame.open(jsonFilePath, 'r') as f:
      for line in f:
        try:
          text = ""
          jsonData = json.loads(line)
          ts = jsonData['timestamp'][:10]
          ip = jsonData['ip']
          data = jsonData['data']['http']
          if 'response' in data:
            if 'headers' in data['response']:
              header = jsonData['data']['http']['response']['headers']
              header = yaml.load(json.dumps(header))
              for k, v in header.iteritems():
                if 'unknown' in k:
                  #print(v)
                  k = yaml.load(json.dumps(v))
                  for i in k:
                    #print(str(i['key']) + ": "+str(i['value']) + "\r\n")
                    text = text + str(str(i['key']) + ": "+str(i['value']) + "\r\n")
                else:
                  text = text + str(str(k) + ": "+str(v) + "\r\n")
              #csvWriter.writerow([ip, ts, protocol, portNum, text])

        except:#sometimes will run into a unicode error, still working on handling this exception.
          pass
    csvFile.close()
    spinner.stop()
    print("Completed conversion of " + protocol + " file.")
  except Exception as ex:
    spinner.stop()
    traceback.print_exc()
    print("An error occurred while converting the file, moving on to the next task...")

Answer 1

Что бы ускорить это чрезвычайно наверняка будет прекратить использование text в виде строки, потому что эти строки:

    text = text + str(str(i['key']) + ": "+str(i['value']) + "\r\n")
else:
  text = text + str(str(k) + ": "+str(v) + "\r\n")

выполняем конкатенацию строк. Поскольку строки являются неизменяемыми, новая копия должна быть сделана каждый раз (даже с text += вместо text = text +, так что это не поможет), и чем больше строка для копирования, тем медленнее (квадратичная сложность).

Было бы лучше:

• определять text как пустой список
• добавить в список
• использование "".join в конце

так

 for line in f:
    try:
      text = []   # define an empty list at start
      jsonData = json.loads(line)

затем (используя str?format Также было бы улучшение здесь, но это незначительно)

       text.append(str(str(i['key']) + ": "+str(i['value']) + "\r\n"))
    else:
      text.append(str(str(k) + ": "+str(v) + "\r\n"))

и в конце концов "мутировать" text в строку, как это:

text = "".join(text)

или просто

csvWriter.writerow([ip, ts, protocol, portNum, "".join(text)])