R語言解析JSON格式數(shù)據(jù)文件

由于分析的數(shù)據(jù)格式為JSON格式，既占空間，而且分析時也非常的不方便，所以，我們需要對JSON格式

的數(shù)據(jù)進行解析，使其符合R語言分析所需要的數(shù)據(jù)格式，如data.frame,list等。

在R語言的包庫中，已經(jīng)有人對JSON格式的解析做了完整的包jsonlite，這極大地減輕了分析人員的工作壓力。

jsonlite包中有以下幾個函數(shù)

1、flatten

其中flatten函數(shù)是用來處理JSON中含有內(nèi)嵌表格的情況，這種JSON文件解析為data.frame時，會在data.frame中

的某一列或多個列中另外包含一個data.frame。flatten函數(shù)可以將這種data.frame轉(zhuǎn)換為一個2維的列表結(jié)構(gòu)。通俗

點講，就是講內(nèi)嵌表格的屬性作為外置大表格的屬性，組成一個維數(shù)變大了的表格。例如

上圖的x表格，stats為一個內(nèi)嵌表格，具有3個屬性。

經(jīng)過flatten（x）函數(shù)轉(zhuǎn)化后，變?yōu)橐粋€表格

2、prettify，minify

prettify是一個美化函數(shù)，對json密集的json格式，通過增加空白，對格式進行標(biāo)準(zhǔn)化，這樣我們在觀察json數(shù)據(jù)時會比較方便。

例如：

minify是一個壓縮函數(shù)，與prettify做的事情正好相反，其效果如下

這兩個函數(shù)使用都非常簡單，僅需要一個JSON對象即可，可以從toJSON函數(shù)獲得

3、rbind.pages

這是一個合并函數(shù)，根據(jù)官方文檔的說法，它可以將多個data.frame合并為1個data.frame。

這個函數(shù)非常只能，可以自動識別多個data.frame的屬性是否相同，若相同，則按行合并，若不同，則將相同的地方按行合并，不同的屬性按列合并

例如：

x <- data.frame(foo = rnorm(3), bar = c(TRUE, FALSE, TRUE))
y <- data.frame(foo = rnorm(2), bar = c("blue", "red"))
rbind.pages(list(x, y))

直接按行合并了。

x <- data.frame(foo = rnorm(3), bar = c(TRUE, FALSE, TRUE))
y <- data.frame(foo = rnorm(2), col = c("blue", "red"))
rbind.pages(list(x, y))

對foo按行合并了，而col屬性是按照列合并的，沒有的部分用NA代替。

4、serializeJSON

將一個R的對象序列化為一個JSON數(shù)據(jù)集。

5、stream_in，stream_out

利用流文件來處理JSON格式的數(shù)據(jù)解析任務(wù)。這種方法可以針對數(shù)據(jù)量非常大的情況。

stream_in(con, handler, pagesize = 500, verbose = TRUE, ...)

其中con為一個連接對象，可以是一個網(wǎng)絡(luò)ur，也可以是一個文件路徑

handler是一個自定義函數(shù)，pagesize用來指定我們從文件中要讀取的文件行數(shù)。

verbose=T，設(shè)置是否打印出處理行數(shù)

stream_out(x, con = stdout(), pagesize = 500, verbose = TRUE, ...)

x為一個需要輸出為json數(shù)據(jù)集的對象，目前只支持data.frame

5、toJSON，fromJSON

與stream_in和stream_out的功能類似，toJSON是轉(zhuǎn)化為JSON格式，fromJSON是將JSON格式數(shù)據(jù)集轉(zhuǎn)化為

R中的格式，一般為list.

具體使用方法可以查幫助文檔。

其中fromJSON在讀取多行JSON數(shù)據(jù)時會報錯，只能單行讀取數(shù)據(jù)。

總結(jié)

進行JSON格式數(shù)據(jù)解析時，沒有特殊要求，建議使用stream_in函數(shù)。如果希望按照自己的想法來解析，可以使用fromJSON

按行解析，然后對字符串按照自己的想法處理，如加密，解密等。