在 Node.js 中处理大 JSON 文件
场景描述
问题一：
假设现在有一个场景，有一个大的 JSON 文件，需要读取每一条数据经过处理之后输出到一个文件或生成报表数据，怎么能够流式的每次读取一条记录？
[
{"id": 1},
{"id": 2},
...
]
问题二：
同样一个大的 JSON 文件，我只读取其中的某一块数据，想只取 list 这个对象数组怎么办？
{
"list": [],
"otherList": []
}
在 Node.js 中我们可以基于以下几种方式读取数据，也是通常首先能够想到的：
-
fs.readFile()：这个是一次性读取数据到内存，数据量大了都占用到内存也不是好办法，很容易造成内存溢出。 -
fs.createReadStream()：创建一个可读流，能解决避免大量数据占用内存的问题，这是一个系统提供的基础API读取到的是一个个的数据块，因为我们的JSON对象是结构化的，也不能直接解决上面提的两个问题。 - 还有一个
require()也可以加载JSON文件，但是稍微熟悉点Node.js CommonJS规范的应该知道require加载之后是会缓存的，会一直占用在服务的内存里。
什么是 SAX
SAX是 Simple API for XML 的简称，目前没有一个标准的SAX 参考标准，最早是在 Java 编程语言里被实现和流行开的，以Java对 SAX的实现后来也被认为是一种规范。其它语言的实现也是遵循着该规则，尽管每门语言实现都有区别，但是这里有一个重要的概念 “事件驱动” 是相同的。
实现了SAX的解析器拥有事件驱动那样的 API，像 Stream 的方式来工作，边读取边解析，用户可以定义回调函数获取数据，无论 XML 内容多大，内存占用始终都会很小。
这对我们本节有什么帮助？我们读取解析一个大 JSON文件的时候，也不能把所有数据都加载到内存里，我们也需要一个类似SAX 这样的工具帮助我们实现。
基于 SAX 的流式 JSON 解析器
这是一个流式 JSON 解析器 https://github1s.com/creationix/jsonparse 周下载量在 600 多万。
JSON 是有自己的标准的，有规定的数据类型、格式。这个 JSON 解析器也是在解析到特定的格式或类型后触发相应的事件，我们在使用时也要注册相应的回调函数。
下面示例，创建一个可读流对象，在流的 data事件里注册 SaxParser实例对象的parse 方法，也就是将读取到的原始数据（默认是Buffer 类型）传递到 parse()函数做解析，当解析到数据之后触发相应事件。
对应的 Node.js代码如下：
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 parse = p.parse.bind(p);
stream.on('data', parse);
怎么去解析一个JSON 文件的数据已经解决了，但是如果直接这样使用还是需要在做一些处理工作的。
JSONStream 处理大文件
这里推荐一个 NPM 模块 JSONStream，在它的实现中就是依赖的 jsonparse 这个模块来解析原始的数据，在这基础之上做了一些处理，根据一些匹配模式返回用户想要的数据，简单易用。
下面我们用JSONStream解决上面提到的两个问题。
问题一：
假设现在有一个场景，有一个大的 JSON 文件，需要读取每一条数据经过处理之后输出到一个文件或生成报表数据，怎么能够流式的每次读取一条记录？
因为测试，所以我将 highWaterMark 这个值调整了下，现在我们的数据是下面这样的。
[
{ "id": 1 },
{ "id": 2 }
]
重点是 JSONStream 的 parse 方法，我们传入了一个 '.'，这个 data事件也是该模块自己处理过的，每次会为我们返回一个对象：
- 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);
})()
问题二：
同样一个大的 JSON 文件，我只读取其中的某一块数据，想只取 list 这个数组对象怎么办?
解决第二个问题，现在我们的 JSON 文件是下面这样的。
{
"list": [
{ "name": "1" },
{ "name": "2" }
],
"other": [
{ "key": "val" }
]
}
与第一个解决方案不同的是改变了 parse('list.*') 方法，现在只会返回 list 数组，other 是不会返回的，其实在 list 读取完成之后这个工作就结束了。
- 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);
})();
总结
当我们遇到类似的大文件需要处理时，尽可能避免将所有的数据存放于内存操作，应用服务的内存都是有限制的，这也不是最好的处理方式。
文中主要介绍如何流式处理类似的大文件，更重要的是掌握编程中的一些思想，例如SAX 一个核心点就是实现了事件驱动 的设计模式，同时结合 Stream做到边读取边解析。
处理问题的方式是多样的，还可以在生成 JSON文件时做拆分，将一个大文件拆分为不同的小文件。