读取 JSON 文件#

Arrow 支持从行分隔（line-delimited）的 JSON 文件中读取列式数据。在这种语境下，一个 JSON 文件包含多个 JSON 对象，每行一个，代表单个数据行。例如，该文件代表了两行包含四列 “a”、“b”、“c”、“d” 的数据

{"a": 1, "b": 2.0, "c": "foo", "d": false}
{"a": 4, "b": -5.5, "c": null, "d": true}

目前提供的功能如下

多线程或单线程读取
输入文件的自动解压缩（基于文件扩展名，例如 my_data.json.gz）
复杂的类型推断（见下文）

注意

目前仅支持行分隔的 JSON 格式。

用法#

可以通过 pyarrow.json 模块使用 JSON 读取功能。在许多情况下，您只需调用 read_json() 函数并传入您想要读取的文件路径即可

>>> from pyarrow import json
>>> fn = 'my_data.json'
>>> table = json.read_json(fn)
>>> table
pyarrow.Table
a: int64
b: double
c: string
d: bool
>>> table.to_pandas()
   a    b     c      d
0  1  2.0   foo  False
1  4 -5.5  None   True

自动类型推断#

Arrow 数据类型是根据每列的 JSON 类型和值推断出来的

JSON 的 null 值转换为 null 类型，但也可能回退到任何其他类型。
JSON 布尔值转换为 bool_。
JSON 数字转换为 int64，如果遇到非整数则回退到 float64。
“YYYY-MM-DD” 和 “YYYY-MM-DD hh:mm:ss” 格式的 JSON 字符串转换为 timestamp[s]，如果发生转换错误则回退到 utf8。
JSON 数组转换为 list 类型，并对 JSON 数组中的值进行递归推断。
嵌套的 JSON 对象转换为 struct 类型，并对 JSON 对象中的值进行递归推断。

因此，读取此 JSON 文件

{"a": [1, 2], "b": {"c": true, "d": "1991-02-03"}}
{"a": [3, 4, 5], "b": {"c": false, "d": "2019-04-01"}}

返回以下数据

>>> table = json.read_json("my_data.json")
>>> table
pyarrow.Table
a: list<item: int64>
  child 0, item: int64
b: struct<c: bool, d: timestamp[s]>
  child 0, c: bool
  child 1, d: timestamp[s]
>>> table.to_pandas()
           a                                       b
0     [1, 2]   {'c': True, 'd': 1991-02-03 00:00:00}
1  [3, 4, 5]  {'c': False, 'd': 2019-04-01 00:00:00}

自定义解析#

若要更改读取非典型结构 JSON 文件时的默认解析设置，您应该创建一个 ParseOptions 实例并将其传递给 read_json()。例如，您可以传递一个显式的 schema 以绕过自动类型推断。

同样，您可以通过将 ReadOptions 实例传递给 read_json() 来选择性能设置。

增量读取#

对于内存受限的环境，也可以使用 open_json() 每次读取一个批次（batch）的 JSON 文件。

在这种情况下，类型推断是在第一个数据块上进行的，之后类型即被固定。为确保推断出正确的数据类型，请将 ReadOptions.block_size 设置为一个足够大的值，或者使用 ParseOptions.explicit_schema 显式设置所需的数据类型。