使用st_read在迭代中导入大型geojson

我想使用st_read in R将一个非常大的geojson导入一个简单的features对象，但是当从geojson转换为sf时，硬件需求似乎很大。例如，导入microsoft数据以构建Ohio（）的封装外形（1.2 GB geojson），在转换时会占用超过32 GB的RAM。它们是一种迭代函数中geojson行的方法，这样我就可以导入整个文件的一部分而不占用所有RAM，类似于read.csv中的跳过行吗？

使用

库（geojsonsf）

在我的Mac上使用16gb RAM似乎没有问题

library(geojsonsf)
library(sf)

sf <- geojsonsf::geojson_sf("~/Downloads/Ohio.geojson")

sf
# Simple feature collection with 5449419 features and 0 fields
# geometry type:  POLYGON
# dimension:      XY
# bbox:           xmin: -84.82027 ymin: 38.40334 xmax: -80.51887 ymax: 41.97041
# epsg (SRID):    4326
# proj4string:    +proj=longlat +datum=WGS84 +no_defs
# First 10 features:
#   geometry
# 1  POLYGON ((-84.81222 39.9087...
# 2  POLYGON ((-84.80084 39.8882...
# 3  POLYGON ((-84.78565 39.8811...
# 4  POLYGON ((-84.7373 39.9014,...
# 5  POLYGON ((-84.73916 39.8980...
# 6  POLYGON ((-84.80422 39.8646...
# 7  POLYGON ((-84.80025 39.8592...
# 8  POLYGON ((-84.79336 39.8593...
# 9  POLYGON ((-84.79268 39.8604...
# 10 POLYGON ((-84.80194 39.8639...

库（geojsonsf）
图书馆（sf）
sf令人印象深刻，为什么比sf快？它包含CPP源文件吗？@Sergio-是的，但是
sf
也包含CPP源文件。主要区别在于它使用的是最快的JSON解析库之一是的，这比st_read更有效。谢谢你的帮助！其次是这个。我的RAM在尝试加载我的geojson文件时以各种可能的方式崩溃，使用geojson_sf不到一分钟。