如何在R中使用readLines来读取某个范围内的所有行？

Question

我正在尝试将一个大的JSONL(.gz)文件拆分成多个.csv文件。我已经能够使用下面的代码为前25.000个条目创建一个有效的.csv文件。我现在想要读取和解析25.001到50.000行，但一直无法这样做。我觉得这应该很容易做到，但我的搜索到目前为止还没有结果。

有没有办法操纵readLiness函数中的'n‘因子来选择特定范围的线？

(附注：我正在学习；))

setwd("filename")

a<-list.files(pattern="(.*?).0.jsonl.gz")
a[1]

raw.data<- readLines(gzfile(a[1]), warn = "T",n=25000) 
rd <- fromJSON(paste("[",paste(raw.data,collapse=','),']'))
rd2<-do.call("cbind", rd) 

file=paste0(a,".csv.gz") 
write.csv.gz(rd2, file, na="", row.names=FALSE)

Answer 1

readr包中的read_lines()函数比base::readLines()更快，可用于指定读取的开始行和结束行。例如：

library(readr)
myFile <- "./data/veryLargeFile.txt"

first25K <- read_lines(myFile,skip=0,n_max = 25000)

second25K <- read_lines(myFile,skip=25000,n_max=25000) 

这是一个使用NOAA StormData数据集的完整的工作示例。该文件描述了1950至2011年间美国超过90万起极端天气事件的位置、事件类型和损失信息。下载并解压缩文件后，我们将使用readr::read_lines()以25,000为一组读取前50,000行。

警告:压缩文件大小约为50Mb。

library(R.utils) 
library(readr)
dlMethod <- "curl"
if(substr(Sys.getenv("OS"),1,7) == "Windows") dlMethod <- "wininet"
url <- "https://d396qusza40orc.cloudfront.net/repdata%2Fdata%2FStormData.csv.bz2"
download.file(url,destfile='StormData.csv.bz2',method=dlMethod,mode="wb")
bunzip2("StormData.csv.bz2","StormData.csv")

first25K <- read_lines("StormData.csv",skip=0,n_max = 25000)

second25K <- read_lines("StormData.csv",skip=25000,n_max=25000)

...and在RStudio环境查看器中查看的对象：

​

​

以下是在采用Inteli7-6500U处理器的HP Spectre x-360笔记本电脑上比较base::readLines()和readr::read_lines()的性能时序。

> # check performance of readLines()
> system.time(first25K <- readLines("stormData.csv",n=25000))
   user  system elapsed 
   0.05    0.00    0.04 
> # check performance of readr::read_lines()
> system.time(first25K <- read_lines("StormData.csv",skip=0,n_max = 25000))
   user  system elapsed 
   0.00    0.00    0.01