5

我将数十万条 JSON 记录发布到最大数据上传限制为 1MB 的服务器。我的记录可以是非常可变的大小,从几百字节到几十万字节。

def checkSize(payload):
    return len(payload) >= bytesPerMB 


toSend = []
for row in rows:
    toSend.append(row)
    postData = json.dumps(toSend)
    tooBig = tooBig or checkSize()
    if tooBig:
          sendToServer(postData)

然后发布到服务器。它目前有效,但 toSend 不断转储到 jsonified 字符串似乎真的很重,几乎 100% 太多了,尽管我似乎找不到另一种方法。我可以将各个新记录串起来并记录它们在一起的情况吗?

我确信必须有一种更清洁的方法来做到这一点,但我只是不知道。

感谢您提供的所有帮助。


这是我现在正在使用的答案,我与下面的@rsegal 同时想出了它,只是为了清晰和完成而发布(sendToServer 只是一个显示事情正常工作的虚拟函数),

import pickle
import json

f = open("userProfiles")
rows = pickle.load(f)
f.close()

bytesPerMB = 1024 * 1024
comma = ","
appendSize = len(comma)

def sendToServer(obj):
    #send to server
    pass

def checkSize(numBytes):
    return numBytes >= bytesPerMB

def jsonDump(obj):
    return json.dumps(obj, separators=(comma, ":"))

leftover = []
numRows = len(rows)
rowsSent = 0

while len(rows) > 0:
    toSend = leftover[:]
    toSendSize = len( jsonDump(toSend) )
    leftover = []
    first = len(toSend) == 0

    while True:
        try:
            row = rows.pop()
        except IndexError:
            break

        rowSize = len( jsonDump(row) ) + (0 if first else appendSize)
        first = False

        if checkSize(toSendSize + rowSize):
            leftover.append(row)
            break

        toSend.append(row)
        toSendSize += rowSize

    rowsSent += len(toSend)
    postData = jsonDump(toSend)
    print "assuming to send '{0}' bytes, actual size '{1}'. rows sent {2}, total {3}".format(toSendSize, len(postData), rowsSent, numRows)
    sendToServer(postData)
4

1 回答 1

2

我会做类似以下的事情:

toSend = []
toSendLength = 0
for row in rows:
    tentativeLength = len(json.dumps(row))
    if tentativeLength > bytesPerMB:
        parsingBehavior // do something about lolhuge files
    elif toSendLength + tentativeLength > bytesPerMB: // it would be too large
        sendToServer(json.dumps(toSend)) // don\'t exceed limit; send now
        toSend = [row] // refresh for next round - and we know it fits!
        toSendLength = tentativeLength
    else: // otherwise, it wont be too long, so add it in
        toSend.append(row)
        toSendLength += tentative
sentToServer(json.dumps(toSend)) // if it finishes below the limit

您的解决方案的问题在于,从 Big-O 的角度来看,它并不是很好。我的以线性时间运行,而您的将以二次时间运行,因为您正在检查每个循环的累积长度。每次重置 postData 也不是很有效。

于 2012-08-13T17:09:44.077 回答