Python 解析大型JSON文件时出现内存错误

我正试图用python解析一个12 GB的JSON文件，其中包含近500万行（每行都是一个对象），并将其存储到数据库中。我正在使用ijson和多处理来加快运行速度。这是密码

def parse(paper):
    global mydata
 
    if 'type' not in paper["venue"]:
        venue = Venues(venue_raw = paper["venue"]["raw"])
        venue.save()
    else:
        venue = Venues(venue_raw = paper["venue"]["raw"], venue_type = paper["venue"]["type"])
        venue.save()
    paper1 = Papers(paper_id = paper["id"],paper_title = paper["title"],venue = venue)
    paper1.save()
            
    paper_authors = paper["authors"]
    paper_authors_json = json.dumps(paper_authors)
    obj = ijson.items(paper_authors_json,'item')
    for author in obj:
        mydata = mydata.append({'author_id': author["id"] , 'venue_raw': venue.venue_raw, 'year' : paper["year"],'number_of_times': 1},ignore_index=True)

if __name__ == '__main__':
    p = Pool(4)
 
    filename = 'C:/Users/dintz/Documents/finaldata/dblp.v12.json'
    with open(filename,encoding='UTF-8') as infile:
        papers = ijson.items(infile, 'item')   
        for paper in papers:
            p.apply_async(parse,(paper,))
    
            
    
    p.close()
    p.join()
            
    
 
    mydata = mydata.groupby(by=['author_id','venue_raw','year'], axis=0, as_index = False).sum()
    mydata = mydata.groupby(by = ['author_id','venue_raw'], axis=0, as_index = False, group_keys = False).apply(lambda x: sum((1+x.year-x.year.min())*numpy.log10(x.number_of_times+1)))
    df = mydata.index.to_frame(index = False)
    df = pd.DataFrame({'author_id':df["author_id"],'venue_raw':df["venue_raw"],'rating':mydata.values[:,2]})
    
    for index, row in df.iterrows():
        author_id = row['author_id']
        venue = Venues.objects.get(venue_raw = row['venue_raw'])
        rating = Ratings(author_id = author_id, venue = venue, rating = row['rating'])
        rating.save()

但是我在不知道原因的情况下得到了以下错误

---

有人能帮我吗？

我不得不做出一些推断和假设，但看起来

• 你在用Django
• 您希望使用场地、论文和作者数据填充SQL数据库
• 然后你想用熊猫做一些分析

填充您的SQL数据库可以通过如下方式非常灵活地完成

• 我添加了

  tqdm

  包，因此您可以获得进度指示
• 这假设存在一个链接论文和作者的

  PaperAuthor

  模型
• 与原始代码不同，这不会在数据库中保存重复的

  vention

  s
• 您可以看到，我用存根替换了

  get\u或\u create

  和

  create

  ，使其在没有数据库模型（或者实际上没有Django）的情况下可以运行，只是有可用的数据

在我的机器上，这几乎不消耗内存，因为记录被（或将被）转储到SQL数据库中，而不是内存中不断增长、碎片化的数据帧中

熊猫处理留给读者作为练习；-），但是我可以想象，从数据库中读取这些预处理数据需要

pd.read\u sql（）

import multiprocessing

import ijson
import tqdm


def get_or_create(model, **kwargs):
    # Actual Django statement:
    # return model.objects.get_or_create(**kwargs)
    return (None, True)


def create(model, **kwargs):
    # Actual Django statement:
    # return model.objects.create(**kwargs)
    return None


Venue = "Venue"
Paper = "Paper"
PaperAuthor = "PaperAuthor"


def parse(paper):
    venue_name = paper["venue"]["raw"]
    venue_type = paper["venue"].get("type")
    venue, _ = get_or_create(Venue, venue_raw=venue_name, venue_type=venue_type)
    paper_obj = create(Paper, paper_id=paper["id"], paper_title=paper["title"], venue=venue)
    for author in paper["authors"]:
        create(PaperAuthor, paper=paper_obj, author_id=author["id"], year=paper["year"])


def main():
    filename = "F:/dblp.v12.json"
    with multiprocessing.Pool() as p, open(filename, encoding="UTF-8") as infile:
        for result in tqdm.tqdm(p.imap_unordered(parse, ijson.items(infile, "item"), chunksize=64)):
            pass


if __name__ == "__main__":
    main()

---

你的内存是多少如果你想节省内存的话，你可能不会很高兴尝试使用Pandas数据帧来实现这一点。另外，使用

multiprocessing.Pool（）<代码>意味着您的代码> MyDATAs/COD>在多个进程之间不会是全局的。您应该考虑编写一个脚本，该脚本将数据转换成可以导入到您的（显然是Django建模的）的CSV/TSV文件。数据库使用与您的数据库等效的
LOAD Infle
。@Tuqay您的链接讨论了使用
ijson
，这是OP已经在做的事情。不幸的是，我收到了这个错误
django.db.utils.OperationalError:数据库被锁定
，似乎我必须在不进行多处理的情况下运行它，并等待很长时间：（您得到的
数据库仅锁定在SQLite数据库上。请尝试其他数据库，如MySQL或PostgreSQL，或尝试在WAL模式下运行SQLite：