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.
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.
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.
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.
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.
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: ${JSON.stringify(record)}\n\n`);
}, 1000);
req.on('close', () => {
clearInterval(interval);
res.end();
});
});
app.listen(3000, () => console.log('SSE server on :3000'));Il browser usa l'API EventSource per collegarsi all'endpoint SSE. Ogni evento in arrivo contiene un record JSONL, di cui viene eseguito il parsing e che viene visualizzato in tempo reale. EventSource gestisce automaticamente la riconnessione se la connessione si interrompe.
// Connect to the SSE endpoint
const source = new EventSource('/api/stream/metrics');
// Parse each JSONL record as it arrives
source.onmessage = (event) => {
const record = JSON.parse(event.data);
console.log(`[${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.
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.
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.
Prova i nostri strumenti JSONL gratuiti
Vuoi esaminare o convertire dati JSONL prima di creare la tua pipeline di streaming? Usa i nostri strumenti online gratuiti per visualizzare, convertire e formattare file JSONL direttamente nel browser. Tutta l’elaborazione avviene in locale, quindi i tuoi dati restano privati.
Strategie per elaborare gigabyte di dati JSONL: lettura in streaming, gestione della memoria, suddivisione dei file, compressione e strumenti online.
Impara a usare il formato JSONL per il logging strutturato. Integra ELK Stack, Fluentd, CloudWatch, GCP Logging e Azure Monitor, con esempi pronti per la produzione in Python, Node.js e Go.
Impara le best practice per la formattazione dei file JSONL, la coerenza dello schema, la gestione degli errori, l’ottimizzazione delle prestazioni e l’organizzazione dei file. Evita gli errori più comuni con esempi pratici.
Valida i file JSONL riga per riga. Individua subito errori di sintassi e problemi di codifica o di formato.
Scopri come utilizzare il formato JSONL in JavaScript e Node.js.