Di Jerry Fan

Streaming JSONL: elabora i dati in tempo reale

Una guida completa allo streaming di dati JSONL in tempo reale. Impara a creare pipeline di streaming con readline di Node.js, i generatori Python, Server-Sent Events e WebSocket, e a usare i pattern per lo streaming dei log in produzione.

Perché JSONL è ideale per lo streaming

JSONL (JSON Lines) memorizza un oggetto JSON completo per riga, con le righe separate da caratteri di a capo. Questa struttura lo rende un formato perfetto per lo streaming: ogni riga è un'unità autonoma di cui è possibile eseguire il parsing. Rispetto a un unico grande array JSON, non serve caricare l'intero dataset in memoria prima di iniziare a elaborare i record. Chi legge lo stream può leggere una riga, eseguirne il parsing, elaborarla e passare alla successiva, mantenendo costante il consumo di memoria anche quando la sorgente dati cresce.

È proprio questa caratteristica a rendere JSONL così diffuso nei sistemi di aggregazione dei log, nelle pipeline di analisi in tempo reale, nei feed di dati per il machine learning e nelle risposte API in streaming. Strumenti come l'API di OpenAI, AWS CloudWatch e Apache Kafka usano tutti JSON con record separati da caratteri di a capo, perché unisce la leggibilità universale di JSON all'efficienza dei protocolli basati su righe nello streaming. In questa guida imparerai a creare soluzioni di streaming JSONL in Node.js e Python, inviare dati in tempo reale ai browser con Server-Sent Events, scambiare dati JSONL tramite WebSocket e implementare un sistema di streaming dei log pronto per la produzione.

Streaming di JSONL in Node.js

Node.js si basa su un modello di I/O non bloccante e guidato dagli eventi, che lo rende particolarmente adatto ai carichi di lavoro in streaming. I moduli integrati readline e stream offrono tutto il necessario per elaborare file JSONL e stream di rete riga per riga, senza caricare l'intero payload in memoria.

Il modulo readline, insieme a fs.createReadStream, è la soluzione standard per leggere un file JSONL in Node.js. Legge il file a blocchi e restituisce righe complete, mantenendo costante il consumo di memoria anche con file di diversi gigabyte.

Lettura in streaming con readline
import { createReadStream } from 'node:fs';
import { createInterface } from 'node:readline';


async function streamJsonl(filePath, onRecord) {
  const rl = createInterface({
    input: createReadStream(filePath, 'utf-8'),
    crlfDelay: Infinity,
  });


  let count = 0;
  for await (const line of rl) {
    const trimmed = line.trim();
    if (!trimmed) continue;
    try {
      const record = JSON.parse(trimmed);
      await onRecord(record);
      count++;
    } catch (err) {
      console.error(`Skipping invalid line: ${err.message}`);
    }
  }
  return count;
}


// Usage: process each record as it arrives
const total = await streamJsonl('events.jsonl', async (record) => {
  console.log(`Event: ${record.type} at ${record.timestamp}`);
});
console.log(`Processed ${total} records`);

Gli stream Transform di Node.js permettono di creare pipeline di dati componibili che leggono dati JSONL, filtrano o arricchiscono ogni record e scrivono i risultati. Questo pattern gestisce automaticamente la backpressure, sospendendo la sorgente quando la destinazione non riesce a tenere il passo.

Pipeline con gli stream Transform
import { createReadStream, createWriteStream } from 'node:fs';
import { Transform } from 'node:stream';
import { pipeline } from 'node:stream/promises';


// Split incoming chunks into individual lines
class LineSplitter extends Transform {
  constructor() {
    super({ readableObjectMode: true });
    this.buffer = '';
  }
  _transform(chunk, encoding, cb) {
    this.buffer += chunk.toString();
    const lines = this.buffer.split('\n');
    this.buffer = lines.pop();
    for (const line of lines) {
      if (line.trim()) this.push(line.trim());
    }
    cb();
  }
  _flush(cb) {
    if (this.buffer.trim()) this.push(this.buffer.trim());
    cb();
  }
}


// Parse, transform, and re-serialize each record
class JsonlTransform extends Transform {
  constructor(transformFn) {
    super({ objectMode: true });
    this.transformFn = transformFn;
  }
  _transform(line, encoding, cb) {
    try {
      const record = JSON.parse(line);
      const result = this.transformFn(record);
      if (result) cb(null, JSON.stringify(result) + '\n');
      else cb(); // Filter out null results
    } catch (err) {
      cb(); // Skip invalid lines
    }
  }
}


// Build the pipeline: read -> split -> transform -> write
await pipeline(
  createReadStream('input.jsonl', 'utf-8'),
  new LineSplitter(),
  new JsonlTransform((record) => {
    if (record.level === 'error') {
      return { ...record, flagged: true, reviewedAt: new Date().toISOString() };
    }
    return null; // Filter out non-error records
  }),
  createWriteStream('errors.jsonl', 'utf-8')
);
console.log('Pipeline complete');

Streaming di JSONL in Python

I generatori Python offrono un modo elegante per elaborare dati JSONL in streaming. Un generatore restituisce un record alla volta e avanza solo quando chi lo utilizza richiede il valore successivo, mantenendo minimo il consumo di memoria. Insieme al modulo json integrato, i generatori permettono di creare potenti pipeline di streaming con poche righe di codice.

Una funzione generatore Python legge il file riga per riga con un normale ciclo for. Ogni chiamata a next() legge esattamente una riga, ne esegue il parsing e restituisce il risultato. L'handle del file resta aperto e la posizione di lettura avanza solo quando chi usa il generatore richiede altri record.

Streaming con i generatori
import json
from typing import Generator, Any


def stream_jsonl(file_path: str) -> Generator[dict[str, Any], None, None]:
    """Stream JSONL records one at a time using a generator."""
    with open(file_path, 'r', encoding='utf-8') as f:
        for line_num, line in enumerate(f, 1):
            line = line.strip()
            if not line:
                continue
            try:
                yield json.loads(line)
            except json.JSONDecodeError as e:
                print(f"Skipping line {line_num}: {e}")


# Usage: process records lazily
for record in stream_jsonl('events.jsonl'):
    if record.get('level') == 'error':
        print(f"ERROR: {record['message']}")


# Or collect a subset with itertools
import itertools
first_100 = list(itertools.islice(stream_jsonl('large.jsonl'), 100))
print(f"Loaded first {len(first_100)} records")

Il modulo itertools di Python permette di combinare operazioni di streaming come filtraggio, raggruppamento in batch e slicing, senza materializzare i risultati intermedi. Ogni passaggio della catena elabora un record alla volta: puoi così gestire file più grandi della RAM disponibile.

Elaborazione in catena con itertools
import json
import itertools
from typing import Generator, Iterable


def stream_jsonl(path: str) -> Generator[dict, None, None]:
    with open(path, 'r') as f:
        for line in f:
            if line.strip():
                yield json.loads(line)


def filter_records(records: Iterable[dict], key: str, value) -> Generator[dict, None, None]:
    """Filter records where key equals value."""
    for record in records:
        if record.get(key) == value:
            yield record


def batch(iterable: Iterable, size: int) -> Generator[list, None, None]:
    """Yield successive batches of the given size."""
    it = iter(iterable)
    while True:
        chunk = list(itertools.islice(it, size))
        if not chunk:
            break
        yield chunk


# Compose a streaming pipeline
records = stream_jsonl('access_logs.jsonl')
errors = filter_records(records, 'status', 500)


for i, error_batch in enumerate(batch(errors, 50)):
    print(f"Batch {i + 1}: {len(error_batch)} errors")
    # Send batch to alerting system, database, etc.
    for record in error_batch:
        print(f"  {record['timestamp']} - {record['path']}")

Server-Sent Events con JSONL

Server-Sent Events (SSE) è un protocollo semplice, basato su HTTP, che consente al server di inviare aggiornamenti in tempo reale al client. Ogni evento SSE contiene un campo data e JSONL è una scelta naturale per il payload: ogni riga è un oggetto JSON completo di cui il client può eseguire subito il parsing. A differenza dei WebSocket, SSE usa HTTP standard, non richiede configurazioni particolari del proxy e ristabilisce automaticamente la connessione in caso di errore.

Il server imposta Content-Type su text/event-stream e scrive ogni record JSONL nel campo data di un evento SSE. La connessione resta aperta e il server invia nuovi eventi man mano che diventano disponibili.

Server SSE (Node.js / Express)
import express from 'express';


const app = express();


// Simulate a real-time data source
function* generateMetrics() {
  let id = 0;
  while (true) {
    yield {
      id: ++id,
      cpu: Math.random() * 100,
      memory: Math.random() * 16384,
      timestamp: new Date().toISOString(),
    };
  }
}


app.get('/api/stream/metrics', (req, res) => {
  // SSE headers
  res.setHeader('Content-Type', 'text/event-stream');
  res.setHeader('Cache-Control', 'no-cache');
  res.setHeader('Connection', 'keep-alive');
  res.setHeader('Access-Control-Allow-Origin', '*');
  res.flushHeaders();


  const metrics = generateMetrics();


  const interval = setInterval(() => {
    const record = metrics.next().value;
    // Each SSE event contains one JSONL record
    res.write(`data: ${JSON.stringify(record)}\n\n`);
  }, 1000);


  req.on('close', () => {
    clearInterval(interval);
    res.end();
  });
});


app.listen(3000, () => console.log('SSE server on :3000'));

Il browser usa l'API EventSource per collegarsi all'endpoint SSE. Ogni evento in arrivo contiene un record JSONL, di cui viene eseguito il parsing e che viene visualizzato in tempo reale. EventSource gestisce automaticamente la riconnessione se la connessione si interrompe.

Client SSE (browser)
// Connect to the SSE endpoint
const source = new EventSource('/api/stream/metrics');


// Parse each JSONL record as it arrives
source.onmessage = (event) => {
  const record = JSON.parse(event.data);
  console.log(`[${record.timestamp}] CPU: ${record.cpu.toFixed(1)}%`);


  // Update your UI in real time
  updateDashboard(record);
};


source.onerror = (err) => {
  console.error('SSE connection error:', err);
  // EventSource automatically reconnects
};


// For Fetch-based SSE (more control over the stream)
async function fetchSSE(url, onRecord) {
  const response = await fetch(url);
  const reader = response.body
    .pipeThrough(new TextDecoderStream())
    .getReader();


  let buffer = '';
  while (true) {
    const { done, value } = await reader.read();
    if (done) break;
    buffer += value;
    const events = buffer.split('\n\n');
    buffer = events.pop();
    for (const event of events) {
      const dataLine = event.split('\n').find(l => l.startsWith('data: '));
      if (dataLine) {
        const record = JSON.parse(dataLine.slice(6));
        onRecord(record);
      }
    }
  }
}


await fetchSSE('/api/stream/metrics', (record) => {
  console.log('Metric:', record);
});

Streaming JSONL con WebSocket

SSE consente al server di inviare dati al client, mentre i WebSocket permettono una comunicazione full-duplex, in cui entrambe le parti possono inviare record JSONL in qualsiasi momento. È una soluzione ideale per applicazioni interattive come l'editing collaborativo, le dashboard in tempo reale che accettano comandi dagli utenti e la sincronizzazione bidirezionale dei dati. Ogni messaggio WebSocket contiene un solo record JSONL, semplificando il parsing sia sul server sia sul client.

Server WebSocket con messaggi JSONL
import { WebSocketServer } from 'ws';


const wss = new WebSocketServer({ port: 8080 });


wss.on('connection', (ws) => {
  console.log('Client connected');


  // Send JSONL records to the client
  const interval = setInterval(() => {
    const record = {
      type: 'metric',
      value: Math.random() * 100,
      timestamp: new Date().toISOString(),
    };
    ws.send(JSON.stringify(record));
  }, 500);


  // Receive JSONL records from the client
  ws.on('message', (data) => {
    try {
      const record = JSON.parse(data.toString());
      console.log(`Received: ${record.type}`, record);


      // Echo back an acknowledgment
      ws.send(JSON.stringify({
        type: 'ack',
        originalId: record.id,
        processedAt: new Date().toISOString(),
      }));
    } catch (err) {
      ws.send(JSON.stringify({ type: 'error', message: 'Invalid JSON' }));
    }
  });


  ws.on('close', () => {
    clearInterval(interval);
    console.log('Client disconnected');
  });
});


// Client-side usage:
// const ws = new WebSocket('ws://localhost:8080');
// ws.onmessage = (e) => {
//   const record = JSON.parse(e.data);
//   console.log(record);
// };
// ws.send(JSON.stringify({ type: 'subscribe', channel: 'metrics' }));

Ogni messaggio WebSocket contiene un singolo oggetto JSON, secondo la convenzione JSONL di un record per messaggio. Il server trasmette metriche al client a intervalli di 500ms e, contemporaneamente, accetta comandi dal client. La serializzazione JSON è la stessa in entrambe le direzioni: il protocollo è quindi simmetrico e facile da sottoporre a debug.

Streaming dei log nella pratica

Uno degli impieghi più comuni dello streaming JSONL è la raccolta centralizzata dei log. Le applicazioni scrivono record di log strutturati come righe JSONL su stdout o su un file; un agente di raccolta segue l'output in tempo reale e inoltra i record a un sistema centrale. È il pattern usato da Docker, Kubernetes e dalla maggior parte dei servizi di logging nel cloud.

Collector di log JSONL in tempo reale
import { createReadStream, watchFile } from 'node:fs';
import { createInterface } from 'node:readline';
import { stat } from 'node:fs/promises';


class JsonlLogCollector {
  constructor(filePath, handlers = {}) {
    this.filePath = filePath;
    this.handlers = handlers;
    this.position = 0;
    this.running = false;
  }


  async start() {
    this.running = true;
    // Read existing content first
    await this.readFrom(0);
    // Watch for new appends
    this.watch();
  }


  async readFrom(startPos) {
    const rl = createInterface({
      input: createReadStream(this.filePath, {
        encoding: 'utf-8',
        start: startPos,
      }),
      crlfDelay: Infinity,
    });


    for await (const line of rl) {
      if (!line.trim()) continue;
      try {
        const record = JSON.parse(line);
        await this.dispatch(record);
      } catch (err) {
        this.handlers.onError?.(err, line);
      }
    }
    const info = await stat(this.filePath);
    this.position = info.size;
  }


  watch() {
    watchFile(this.filePath, { interval: 500 }, async (curr, prev) => {
      if (!this.running) return;
      if (curr.size > this.position) {
        await this.readFrom(this.position);
      }
    });
  }


  async dispatch(record) {
    const level = record.level || 'info';
    this.handlers[level]?.(record);
    this.handlers.onRecord?.(record);
  }


  stop() {
    this.running = false;
  }
}


// Usage
const collector = new JsonlLogCollector('app.log.jsonl', {
  error: (r) => console.error(`[ERROR] ${r.message}`),
  warn: (r) => console.warn(`[WARN] ${r.message}`),
  onRecord: (r) => forwardToElasticsearch(r),
  onError: (err, line) => console.error('Bad line:', line),
});


await collector.start();

Questo collector segue in tempo reale un file di log JSONL e smista i record agli handler in base al livello di log. Tiene traccia della posizione nel file per leggere solo i nuovi contenuti dopo la lettura iniziale di quelli già presenti. In produzione, dovresti aggiungere il rilevamento della rotazione dei file, un arresto controllato e l’inoltro in batch, così da ridurre le chiamate di rete al sistema di logging centralizzato.

Lavora con i file JSONL online

Visualizza, convalida e converti file JSONL fino a 1GB direttamente nel browser. Non serve caricare i file: i tuoi dati restano privati al 100%.

Domande frequenti

Riferimenti