Python读取大json文件性能优化及入库（100G+）

业务背景

本次需求为数据迁移，采用的方式是脚本迁移。即我拿到导出来的数据后跑脚本入库，但个人觉得直接用内置接口快照恢复会更简便（泪目）。

阅读前提

本次的Json文件是一行一条数据。

遇到的问题和解决方法

读取文件的方式-> with open 优于 open，这个应该不用再细说了吧。

读取json文件时解析速度过慢，耗时多 -> 逐行读取

但这个逐行读取是有讲究的，一开始采用网上这种常见的方法：

with open('file.txt', 'r') as f:
    lines = f.readlines()
    for line in lines:
        print(line)

这种方法的本质是先将整个文件读取到一个大列表中，再遍历。但问题是，这个大列表是占用内存的，因此是高CPU开销的，但服务器上只有32G内存，我需要性能更好的代码。后来发现：

with open('file.txt', 'r') as f:
    for line in f:
        print(line)

使用以上方式更节省内存，并且是最优的，比分块读取，如f.read(8K)、f.readlines(1000)更优。原因在于，f为文件对象，采用缓存I/O来对文件进行读写操作，本身就具有内存管理，可以不用担心内存管理的问题。

文件读取的性能优化后，接下来是入库性能优化。

以前服务器资源充足时，一直使用bulk批处理 + 手动数据分批，直到这次才了解到流式批量执行（stream_bulk）、并发批量执行（parallel_bulk）。

首先阅读使用手册。发现python中yield的用法，可以编写数据迭代生成器，适合于批处理。于是进一步改进代码，和流式批处理结合进行。

from elasticsearch.helpers import streaming_bulk
from elasticsearch.helpers import parallel_bulk
from elasticsearch.helpers import bulk, scan


# 数据迭代生成器 
def generate_actions():
    with open('file.json') as f:
        for line in f:
            data = json.loads(line)
            yield data

# 1. parallel_bulk（还可以用类似streaming_bulk的for循环）
deque(parallel_bulk(client=self.es, index=index, doc_type="doc", actions=generate_actions(), chunk_size=3000, thread_count=32), maxlen=0)

# 2. streaming_bulk
for ok, action in streaming_bulk(client=self.es, index=index, doc_type="doc", actions=generate_actions(), max_retries=5):
    pass

# 3. bulk
bulk(client=self.es, doc_type="doc", index=index, actions=generate_actions())

代码详见我的GitHub仓库。记录了我在读取大文件时代码更迭的版本。