如何在 Node.js 中流式處理大 JSON 文件
解決一個問題不只要搜尋最終的答案，尋找答案的過程同樣也是重要的，善于思考與總結總歸是好的。
本文介紹一個概念 SAX 的設計模式，這個概念雖然不是來源于 Node.js，但它解決問題的一些思想當我們在使用 Node.js 或一些其它的編程語言中遇到類似問題時也會受到一些啟發，本文后面會介紹如何流式處理一個大 JSON 文件，下面先給出了兩個問題，可以先思考下如果是你會怎么做？
場景描述
問題一：假設現在有一個場景，有一個大的 JSON 文件，需要讀取每一條數據經過處理之后輸出到一個文件或生成報表數據，怎么能夠流式的每次讀取一條記錄？
- [
- {"id": 1},
- {"id": 2},
- ...
- ]
問題二：同樣一個大的 JSON 文件，我只讀取其中的某一塊數據，想只取 list 這個對象數組怎么辦？
- {
- "list": [],
- "otherList": []
- }
在 Node.js 中我們可以基于以下幾種方式讀取數據，也是通常首先能夠想到的：
- fs.readFile()：這個是一次性讀取數據到內存，數據量大了都占用到內存也不是好辦法，很容易造成內存溢出。
- fs.createReadStream()：創建一個可讀流，能解決避免大量數據占用內存的問題，這是一個系統提供的基礎 API 讀取到的是一個個的數據塊，因為我們的 JSON 對象是結構化的，也不能直接解決上面提的兩個問題。
- 還有一個 require() 也可以加載 JSON 文件，但是稍微熟悉點 Node.js CommonJS 規范的應該知道 require 加載之后是會緩存的，會一直占用在服務的內存里。
了解下什么是 SAX
SAX 是 Simple API for XML 的簡稱，目前沒有一個標準的 SAX 參考標準，最早是在 Java 編程語言里被實現和流行開的，以 Java 對 SAX 的實現后來也被認為是一種規范。其它語言的實現也是遵循著該規則，盡管每門語言實現都有區別，但是這里有一個重要的概念 “事件驅動” 是相同的。
實現了 SAX 的解析器擁有事件驅動那樣的 API，像 Stream 的方式來工作，邊讀取邊解析，用戶可以定義回調函數獲取數據，無論 XML 內容多大，內存占用始終都會很小。
這對我們本節有什么幫助？我們讀取解析一個大 JSON 文件的時候，也不能把所有數據都加載到內存里，我們也需要一個類似 SAX 這樣的工具幫助我們實現。
基于 SAX 的流式 JSON 解析器
這是一個流式 JSON 解析器 https://github1s.com/creationix/jsonparse 周下載量在 600 多萬，但是這個源碼看起來很難梳理。如果是學習，推薦一個基于 SAX 的更簡單版本 https://gist.github.com/creationix/1821394 感興趣的可以看看。
JSON 是有自己的標準的，有規定的數據類型、格式。這個 JSON 解析器也是在解析到特定的格式或類型后觸發相應的事件，我們在使用時也要注冊相應的回調函數。
下面示例，創建一個可讀流對象，在流的 data 事件里注冊 SaxParser 實例對象的 parse 方法，也就是將讀取到的原始數據（默認是 Buffer 類型）傳遞到 parse() 函數做解析，當解析到數據之后觸發相應事件。
對應的 Node.js 代碼如下：
- const SaxParser = require('./jsonparse').SaxParser;
- const p = new SaxParser({
- onNull: function () { console.log("onNull") },
- onBoolean: function (value) { console.log("onBoolean", value) },
- onNumber: function (value) { console.log("onNumber", value) },
- onString: function (value) { console.log("onString", value) },
- onStartObject: function () { console.log("onStartObject") },
- onColon: function () { console.log("onColon") },
- onComma: function () { console.log("onComma") },
- onEndObject: function () { console.log("onEndObject") },
- onStartArray: function () { console.log("onEndObject") },
- onEndArray: function () { console.log("onEndArray") }
- });
- const stream = require('fs').createReadStream("./example.json");
- const pparse = p.parse.bind(p);
- stream.on('data', parse);
怎么去解析一個 JSON 文件的數據已經解決了，但是如果直接這樣使用還是需要在做一些處理工作的。
JSONStream 處理大文件
這里推薦一個 NPM 模塊 JSONStream，在它的實現中就是依賴的 jsonparse 這個模塊來解析原始的數據，在這基礎之上做了一些處理，根據一些匹配模式返回用戶想要的數據，簡單易用。
下面我們用 JSONStream 解決上面提到的兩個問題。
問題一：
假設現在有一個場景，有一個大的 JSON 文件，需要讀取每一條數據經過處理之后輸出到一個文件或生成報表數據，怎么能夠流式的每次讀取一條記錄？
因為測試，所以我將 highWaterMark 這個值調整了下，現在我們的數據是下面這樣的。
- [
- { "id": 1 },
- { "id": 2 }
- ]
重點是 JSONStream 的 parse 方法，我們傳入了一個 '.'，這個 data 事件也是該模塊自己處理過的，每次會為我們返回一個對象：
- 第一次返回 { id: 1 }
- 第二次返回 { id: 2 }
- const fs = require('fs');
- const JSONStream = require('JSONStream');
- (async () => {
- const readable = fs.createReadStream('./list.json', {
- encoding: 'utf8',
- highWaterMark: 10
- })
- const parser = JSONStream.parse('.');
- readable.pipe(parser);
- parser.on('data', console.log);
- })()
問題二：
同樣一個大的 JSON 文件，我只讀取其中的某一塊數據，想只取 list 這個數組對象怎么辦?
解決第二個問題，現在我們的 JSON 文件是下面這樣的。
- {
- "list": [
- { "name": "1" },
- { "name": "2" }
- ],
- "other": [
- { "key": "val" }
- ]
- }
與第一個解決方案不同的是改變了 parse('list.*') 方法，現在只會返回 list 數組，other 是不會返回的，其實在 list 讀取完成之后這個工作就結束了。
- 第一次返回 { name: '1' }
- 第二次返回 { name: '2' }
- (async () => {
- const readable = fs.createReadStream('./list.json', {
- encoding: 'utf8',
- highWaterMark: 10
- })
- const parser = JSONStream.parse('list.*');
- readable.pipe(parser);
- parser.on('data', console.log);
- })();
總結
當我們遇到類似的大文件需要處理時，盡可能避免將所有的數據存放于內存操作，應用服務的內存都是有限制的，這也不是最好的處理方式。
文中主要介紹如何流式處理類似的大文件，更重要的是掌握編程中的一些思想，例如 SAX 一個核心點就是實現了 “事件驅動” 的設計模式，同時結合 Stream 做到邊讀取邊解析。
處理問題的方式是多樣的，還可以在生成 JSON 文件時做拆分，將一個大文件拆分為不同的小文件。
學會尋找答案，NPM 生態發展的還是不錯的，基本上你能遇到的問題大多已有一些解決方案了，例如本次問題，不知道如何使用 Stream 來讀取一個 JSON 文件時，可以在 NPM 上搜索關鍵詞嘗試著找下。
