python列表到字典的数据流

Question

我正在尝试将 JSON 文件转换为字典并应用键/值对，因此我可以使用 groupbykey() 基本上对键/值对进行重复数据删除。

这是文件的原始内容：

{"tax_pd":"200003","ein":"720378282"} {"tax_pd":"200012","ein":"274027765"} {"tax_pd":"200012","ein":"042746989"} {"tax_pd":"200012","ein":"205993971"}

我已经这样格式化了：

(u'201208', u'010620100') (u'201208', u'860785769') (u'201208', u'371650138') (u'201208', u'237253410')

我想将这些转换为键/值对，以便在我的数据流管道中应用 GroupByKey。我想我需要先把它变成字典？

我是 python 和谷歌云应用程序的新手，如果有一些帮助会很棒！

编辑：代码 sn-ps

with beam.Pipeline(options=pipeline_options) as p: (p | 'ReadInputText' >> beam.io.ReadFromText(known_args.input) | 'YieldWords' >> beam.ParDo(ExtractWordsFn()) # | 'GroupByKey' >> beam.GroupByKey() | 'WriteInputText' >> beam.io.WriteToText(known_args.output))

class ExtractWordsFn(beam.DoFn): def process(self, element): words = re.findall(r'[0-9]+', element) yield tuple(words)

Answer 1

一个快速的纯 Python 解决方案是：

import json

with open('path/to/my/file.json','rb') as fh:
    lines = [json.loads(l) for l in fh.readlines()]

# [{'tax_pd': '200003', 'ein': '720378282'}, {'tax_pd': '200012', 'ein': '274027765'}, {'tax_pd': '200012', 'ein': '042746989'}, {'tax_pd': '200012', 'ein': '205993971'}]

查看您的数据，您没有唯一的键来执行 tax_pd 和 ein 的 key:value。假设会发生碰撞，您可以执行以下操作：

myresults = {}

for line in lines:
    # I'm assuming we want to use tax_pd as the key, and ein as the value, but this can be extended to other keys

    # This will return None if the tax_pd is not already found
    if not myresults.get(line.get('tax_pd')):
        myresults[line.get('tax_pd')] = [line.get('ein')]
    else:
        myresults[line.get('tax_pd')] = list(set([line.get('ein'), *myresults[line.get('tax_pd')]))

#results
#{'200003': ['720378282'], '200012': ['205993971', '042746989', '274027765']}

这样你就有了唯一的键，以及对应的唯一ein 值的列表。不完全确定这是否是你想要的。 set 会自动对一个列表进行去重，包装 list 会重新转换数据类型

然后您可以通过tax_id 显式查找：

myresults.get('200012')
# ['205993971', '042746989', '274027765']

编辑：要从云存储中读取，代码 sn-p here 翻译成更易于使用：

with gcs.open(filename) as fh:
    lines = fh.read().split('\n')

您可以使用他们的 api 文档设置您的 gcs 对象