r - ndjson を R にインポートする 最初の n 行をスキップする

Question

大きなndjson (20GB)ファイルをチャンク単位でRに読み込むには?

一度に 1M 行を読み取りたい大きなデータ ファイルがあります。

現在、以下のコードを使用してデータを R にロードしています。

jsonlite::stream_in(
  file(fileName)
)

しかし、すべてのデータを一緒にロードする必要はありません。このファイルをチャンクに分割してロードを高速化するにはどうすればよいですか?

Answer 1

レベルアップしてドリルを使用したくない場合、これは任意のシステムzcat(またはgzcat) で機能し、sedライブになります。

stream_in_range <- function(infile, start, stop, cat_kind = c("gzcat", "zcat")) {

  infile <- path.expand(infile)
  stopifnot(file.exists(infile))

  gzip <- (tools::file_ext(infile) == "gz")
  if (gzip) cat_kind <- match.arg(cat_kind, c("gzcat", "zcat"))

  start <- as.numeric(start[1])
  stop <- as.numeric(stop[1])

  sed_arg <- sprintf("%s,%sp;", start, stop, (stop+1))

  sed_command <- sprintf("sed -n '%s'", sed_arg)

  if (gzip) {
    command <- sprintf("%s %s | %s ", cat_kind, infile, sed_command)
  } else {
    command <- sprintf("%s %s", sed_command, infile)
  }

  ndjson::flatten(system(command, intern=TRUE), "tbl")

}

stream_in_range("a-big-compressed-ndjson-file.json.gz", 100, 200)

stream_in_range("a-big-uncompressed-nsjdon-file.json", 1, 10)

あなたに合ったものを選択および/または追加しcat_kindてください。