有一个很大的 json 文件，要如何才能将它读到内存中呢， 4 个多 G

要不你试试用工具把内存映射成硬盘，然后当作硬盘读写？
不过貌似没有长期免费的内存映射硬盘工具

怎么写的怎么读吧，python 的 loads 会在内存中占用成 10 倍磁盘空间的大小。
不过如果 Expected object or value 的话应该这个文件本身就有问题了，说不定因为文件大小限制而被截断了

这么大还用 json 不太合适吧……

某些数据库已经支持 Json 数据类型了，先塞进去，Py 再去读 DB 呢？

加内存，就是这么直接

才 4 个 G 不会爆内存的吧...你内存不够了？

自己写个 json 解释器，支持流式读取

开一个临时的大内存云服务器

pip install ijson

你这 json 什么结构啊…如果层数深还是长度长？

Memory-mapped file
https://docs.python.org/3.0/library/mmap.html

@opengps Linux 自带 mount -t tmpfs 了解一下，内存文件系统，比内存盘还要高效

将你的需求映射为数据接口由 c++来处理，C++用 rapidjson 来读取

rapidjson 如果还是不行，就用 c++写一个针对文件的、有限功能的 json 库

如果自己搞不定，就外包

使用 64 位处理器，64 位操作系统和 64 位 Python 尝试

从理论上讲，64 位进程的虚拟内存可以高达 EB 级别（ 32 位进程的虚拟内存通常只有 2GB 或 3GB，不可能超过 4GB ）

建议使用 less 这种文本阅读工具看一下内容，然后根据内容用代码一部分一部分的读然后切成小文件，应该是比较快的方法。

为什么不先导入到数据库

搞策略交易么

#9 楼 @lesteryu 回复正解。迭代式解析 json 即可。内存绝对不会爆炸。

@opengps 没接触过这种工具，推荐一个谢谢啦

@purebluesong 你说为啥 load 的时候，会达到文件本身 10 倍的内存占用呢，是因为 Python 的数据类型导致的吗

@Luckyray 哎，我老大写的代码，要我优化，他服务器 32 个 G 的内存，给我开了一个 8G 的，我跑代码特么的动不动就内存溢出。真的头大

@zynlp 真粗暴，有没有什么免费的骚操作

@janxin 文件大小虽然是 4 个 G,但是 load 的时候会造成很多倍的内存占用，也不知道为什么

@ho121 大佬，可以来个示范代码或者链接吗，万分感激

@twor2 公司 32G 的服务器，也会跑崩

@lesteryu 查阅相关资料的时候看到这个库，我去了解一下

@Bramblex2 字典，嵌套字典

@lihongjie0209 这算一个临时的中间文件，所以没有保存数据库

@iwtbauh Python 版本倒是 64 位的其他就不知道了

@shilyx 小弟的水平看来只能 GG 了

单机 spark 试试？

rapidjson，用 SAX+流式。
https://github.com/Tencent/rapidjson

导 mongodb 里

首先，先搞清楚你把数据加载到内存后打算干吗。
这坨数据就是比你内存大，和格式无关。哪怕它是再精简不过的 bin 格式，哪怕我用 c，都无法解决 8G 内存读取 800G 数据的矛盾。
唯一的出路，就是根据数据格式和需求确定解析和计算模式，部分解析，部分计算，分治然后汇总。

建议的几种读取方式：
1，SAX 了解一下，事件流驱动的 xml 解析思路，搬到 json 上毫无问题。
2，切割原 json 文件，给它补上恰当的开始、关闭符来确保结构。
3，自己实现解析器，最 low 的状态机实现起来很简单的。然后一边解析一边处理一边丢弃。
4，如果 json 数据有某种特征，预处理一下。（比如结构体其实不复杂元素也不多，但里面有个字段的值超大，那么先文本处理 json，把这个字段抽取出来形成外部文件，json 内只留个文件名索引）其实很多超大数据集要么结构简单只是数据条数多，要么条数不多但单条比较大，很容易做针对性处理。

这是使用 generator 的最佳场景呀，流式读取和解析~~~

@flyingghost 这个本来是很多个文件处理后生成的一个字典，然后用 pickle dump 出去，生成一个临时中间文件，避免下次使用的时候还要经过计算生成，但是在 load 的时候，不知道为什么内存占用会成倍的增长。

@yedashuai 用 pickle 生成的文件，要如何流式读取解析呢

这就是典型设计问题啊

有流式解析的 不过这要看你的数据本身的结构 34 楼已经说得很清楚了

with as

请装 16G 的内存，谢谢。

嗯，看了补充内容，标题有歧义。
标题的一般理解是有个 4G 多的 xxx.json 的纯文本文件。
而实际上是一个 pickle dump 出来的对象文件比如 xxx.pkl 。
显然用 pd.read_json() 是无法读取这个 xxx.pkl 的，也不用考虑流式之类的问题。

这样几种方法解决：
1. 如#41 所说，加内存，简单有效省事。
2. 用 json 的话，重新用 json.dump() 搞一个纯文本的 xxx.json。纯文本怎么都好办。
3. pickle 并不适合搞大对象的保存。换个库来做对象序列化，marsahl 好一些，但是要注意 python 版本。

临时加个 swapfile

4 个 G 数据，加载到内存可远远不止 4G

加内存咯....不过全部加载到内存干什么.....

NoSQL

如果都是条数多，嵌套层数少，相同元素多，可以流式读取文件，generator 处理啊

@jyf 额 是我的描述出了点问题，pickle.dump 是异于 json.dump 的，是一个超大的字典，dump 出去有 4 个多 G，但是 load 的时候内存占用成倍的增长，直接溢出

@crist 文件达到将近 5 个 G 的时候，32G 内存服务器偶尔会崩。。。。

@focusheart 是啊，我原以为这两个库作用是相同的，查阅资料的时候才发现是有区别的，误导了大家了，尴尬

@diggerdu 谢谢，我去了解一下

@aimiyooo 是啊，pickle dump 出去只有 4 个 G，load 进来的时候却成倍的增长，是不是因为数据结构的原因呢

@exhades 是经过处理计算的一个字典，为了减少下次运算时间，所以打算用空间换取时间，dump 出一个中间临时文件，到时候直接 load 进来的

@qwertyegg 如果用 nosql，我想了一下，对于 redis，貌似只能用 hash 类型，但是这个字典里面有嵌套，要保存的话，还是需要序列化

大多数应用程序都必须检索整个对象，然后仅过滤出所需数据以进行进一步分析。借助 S3 Select，应用程序可以将过滤和访问对象内部数据的繁重工作卸载到 Amazon S3 服务。

https://aws.amazon.com/cn/about-aws/whats-new/2018/04/amazon-s3-select-is-now-generally-available/?nc1=f_ls

你老大 32G 内存，你就和你老大说一下不就完了吗。需求不合理就提。

这么大，知道数据结构的话慢慢读，不用一次性 load 啊

@liangeeks pickle dump 出去的，怎么慢慢读呢

自己搞一个数据结构存放文件吧，json 的文件是有深度的，有些时候不读取完毕很难读取到一个 object 的内容。

用 生成器呀