guru4elephant-jsonflow 0.1.1

A library for processing JSON data with operators and pipelines

JSONFlow

一个高效、灵活的JSON数据流式处理库，专为大规模数据处理和大语言模型交互设计。

核心特性

• 流式处理架构: 将JSON数据通过操作符链式处理，支持单个对象和批量处理
• 集合处理能力: 智能处理JSON列表，支持自动展平或保持嵌套结构
• 大语言模型集成: 专门的模型操作符，轻松调用各种大语言模型
• 并发执行: 多线程/多进程并行处理，保持输入顺序
• 字段透传: 自动保留指定字段，避免重复处理系统字段
• 系统字段管理: 简化ID、时间戳等系统级字段的添加与管理
• 丰富的操作符: 内置文本处理、字段操作、表达式计算等多种操作符
• 操作符IO日志: 全面的日志系统，便于调试和开发

安装

pip install guru4elephant-jsonflow

快速开始

基本用法

from jsonflow.core import Pipeline
from jsonflow.io import JsonLoader, JsonSaver
from jsonflow.operators.json_ops import TextNormalizer
from jsonflow.operators.model import ModelInvoker

# 创建处理管道
pipeline = Pipeline([
    TextNormalizer(),
    ModelInvoker(model="gpt-3.5-turbo"),
])

# 处理单个JSON文件
loader = JsonLoader("input.jsonl")
saver = JsonSaver("output.jsonl")

for json_line in loader:
    result = pipeline.process(json_line)
    saver.write(result)

集合处理

from jsonflow.core import Pipeline
from jsonflow.operators.json_ops import JsonSplitter, JsonAggregator

# 创建一个带有集合操作的管道
pipeline = Pipeline([
    JsonSplitter(split_field="items"),  # 将单个JSON拆分为多个
    TextNormalizer(),                   # 处理拆分后的每个项目
    ModelInvoker(model="gpt-3.5-turbo"),
], collection_mode="flatten")           # 自动展平结果

# 或者保持嵌套结构，并最终聚合
nested_pipeline = Pipeline([
    JsonSplitter(split_field="items"),
    TextNormalizer(),
    ModelInvoker(model="gpt-3.5-turbo"),
    JsonAggregator(aggregate_field="processed_items")
], collection_mode="nested")            # 保持嵌套结构

字段透传与系统字段

from jsonflow.core import Pipeline
from jsonflow.operators.json_ops import IdAdder, TimestampAdder

# 设置带有系统字段和透传功能的管道
pipeline = Pipeline([
    IdAdder(),                          # 添加唯一ID
    TimestampAdder(),                   # 添加时间戳
    TextNormalizer(),
    ModelInvoker(model="gpt-3.5-turbo"),
])

# 设置需要透传的字段
pipeline.set_passthrough_fields(['id', 'timestamp'])

并发处理

from jsonflow.core import Pipeline, MultiThreadExecutor
from jsonflow.io import JsonLoader, JsonSaver

# 创建多线程执行器
pipeline = Pipeline([...])
executor = MultiThreadExecutor(pipeline, max_workers=4)

# 并行处理所有数据，保持原始顺序
loader = JsonLoader("input.jsonl")
json_data_list = loader.load()
results = executor.execute_all(json_data_list)

saver = JsonSaver("output.jsonl")
saver.write_all(results)

进阶用法

表达式操作符

from jsonflow.operators.json_ops import JsonExpressionOperator

expr_op = JsonExpressionOperator({
    # 使用Lambda函数计算
    "total": lambda d: sum(item["price"] for item in d["items"]),
    # 提取和格式化字段
    "summary": lambda d: f"{d['user']['name']}的订单总额为{d['total']}元",
})

自定义操作符

from jsonflow.core import JsonOperator

class MyOperator(JsonOperator):
    def __init__(self, param, name=None):
        super().__init__(name, "My custom operator")
        self.param = param
    
    def process_item(self, json_data):
        # 处理逻辑
        json_data["result"] = json_data.get("input", "") + self.param
        return json_data

异步执行

from jsonflow.core import AsyncExecutor

# 创建异步执行器
async_executor = AsyncExecutor(pipeline)
result = await async_executor.execute(json_data)

更多示例

查看 examples 目录获取更多使用示例和最佳实践。

贡献

欢迎提交 Issue 和 Pull Request，一起完善这个库！

JSONL检查工具

这个脚本用于检查JSONL文件，验证每行是否是有效的JSON，并可以选择过滤无效行，只输出有效的JSON行。

功能特点

• 检查JSONL文件中每行是否是有效的JSON
• 提供选项过滤无效JSON行
• 支持从标准输入读取和向标准输出写入
• 提供详细的错误报告
• 提供简单的统计信息
• 尝试自动修复常见的JSON错误
• 规范化空白字符处理

使用方法

./check_jsonl.py [-h] [-o OUTPUT] [-r] [-v] [-c] [-n] [-f] input

参数说明

• input: 输入JSONL文件 (使用 "-" 从标准输入读取)
• -o, --output OUTPUT: 输出文件 (使用 "-" 输出到标准输出)
• -r, --remove-invalid: 移除无效的JSON行
• -v, --verbose: 显示详细信息
• -c, --count-only: 仅显示统计信息
• -n, --normalize-whitespace: 规范化空白字符（将制表符、回车等替换为空格）
• -f, --fix-errors: 尝试修复简单的JSON错误
• -h, --help: 显示帮助信息

示例

1. 检查JSONL文件并显示统计信息:

./check_jsonl.py data.jsonl -v

2. 移除无效JSON行并输出到新文件:

./check_jsonl.py data.jsonl -r -o filtered_data.jsonl

3. 从标准输入读取，过滤后输出到标准输出:

cat data.jsonl | ./check_jsonl.py - -r

4. 只显示统计信息:

./check_jsonl.py data.jsonl -c

5. 尝试修复JSON错误并保存结果:

./check_jsonl.py data.jsonl -f -r -o fixed_data.jsonl

6. 规范化空白字符并过滤:

./check_jsonl.py data.jsonl -n -r > cleaned_data.jsonl

返回值

• 0: 所有行都是有效的JSON
• 1: 存在无效的JSON行

依赖

• Python 3.6+
• 标准库: argparse, json, sys, pathlib