Por Jerry Fan

Streaming de JSONL: processe dados em tempo real

Um guia completo sobre streaming de dados JSONL em tempo real. Aprenda a criar pipelines de streaming com readline do Node.js, geradores do Python, Server-Sent Events e WebSockets, além de padrões de streaming de logs em produção.

Por que JSONL é ideal para streaming

JSONL (JSON Lines) armazena um objeto JSON completo por linha, com as linhas separadas por caracteres de quebra de linha. Essa estrutura é ideal para streaming, pois cada linha é uma unidade independente que pode ser interpretada por si só. Ao contrário do que acontece com um único array JSON grande, você não precisa carregar todo o conjunto de dados na memória para começar a processar os registros. O consumidor pode ler uma linha, interpretar seu conteúdo, processá-lo e passar para a próxima, mantendo o uso de memória constante, por mais que a fonte de dados cresça.

É essa característica que faz do JSONL o formato predominante em sistemas de agregação de logs, pipelines de análise em tempo real, feeds de dados para aprendizado de máquina e respostas de APIs em streaming. Ferramentas como a API da OpenAI, o AWS CloudWatch e o Apache Kafka usam JSON delimitado por quebras de linha porque ele combina a legibilidade universal do JSON com a eficiência dos protocolos orientados a linhas para streaming. Neste guia, você vai aprender a criar soluções de streaming de JSONL em Node.js e Python, enviar dados em tempo real para navegadores com Server-Sent Events, trocar registros JSONL via WebSockets e implementar um sistema de streaming de logs pronto para produção.

Streaming de JSONL em Node.js

O Node.js usa um modelo de I/O não bloqueante e orientado a eventos, o que o torna especialmente adequado para cargas de trabalho de streaming. Os módulos nativos readline e stream oferecem tudo de que você precisa para processar arquivos JSONL e streams de rede linha por linha, sem carregar todo o payload na memória.

Combinar o módulo readline com fs.createReadStream é a forma padrão de consumir um arquivo JSONL em Node.js. O arquivo é lido em blocos, e as linhas são emitidas por inteiro. Assim, o uso de memória se mantém estável mesmo com arquivos de vários gigabytes.

Leitura em streaming com 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`);

Os streams Transform do Node.js permitem criar pipelines de dados com etapas que podem ser combinadas para ler JSONL, filtrar ou enriquecer cada registro e gravar os resultados. Esse padrão trata o backpressure automaticamente, pausando a origem quando o destino não consegue acompanhar o ritmo.

Streams Transform para pipelines
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 de JSONL em Python

Os geradores do Python oferecem uma forma elegante de fazer streaming de dados JSONL. Como um gerador fornece um registro por vez e só avança quando o consumidor solicita o próximo valor, o uso de memória se mantém mínimo. Com o módulo nativo json, você pode criar pipelines de streaming poderosos com poucas linhas de código.

Uma função geradora em Python lê o arquivo linha por linha com um loop for comum. Cada chamada a next() lê exatamente uma linha, interpreta seu conteúdo e fornece o resultado. O arquivo permanece aberto, e a posição de leitura só avança à medida que o consumidor solicita registros.

Streaming com geradores
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")

O itertools do Python permite combinar operações de streaming, como filtragem, agrupamento em lotes e fatiamento, sem materializar os resultados intermediários. Cada etapa da cadeia processa um registro por vez, permitindo trabalhar com arquivos maiores que a RAM disponível.

Processamento encadeado com 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 com JSONL

Server-Sent Events (SSE) é um protocolo simples, baseado em HTTP, para enviar atualizações em tempo real do servidor para o cliente. Cada evento SSE contém um campo de dados, e JSONL é uma escolha natural para o payload: cada linha é um objeto JSON completo que o cliente pode interpretar imediatamente. Ao contrário dos WebSockets, SSE funciona com HTTP padrão, dispensa configurações especiais de proxy e restabelece a conexão automaticamente em caso de falha.

O servidor define Content-Type como text/event-stream e escreve cada registro JSONL no campo de dados de um evento SSE. A conexão permanece aberta, e o servidor envia novos eventos assim que ficam disponíveis.

Servidor 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'));

O navegador usa a API EventSource para se conectar ao endpoint SSE. Cada evento recebido contém um registro JSONL, que é interpretado e renderizado em tempo real. Se a conexão cair, o EventSource a restabelece automaticamente.

Cliente SSE (navegador)
// 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);
});

WebSocket + streaming de JSONL

Enquanto SSE permite enviar dados do servidor para o cliente, WebSockets oferecem comunicação full-duplex, em que os dois lados podem enviar registros JSONL a qualquer momento. Isso é ideal para aplicações interativas, como edição colaborativa, dashboards em tempo real que aceitam comandos do usuário e sincronização bidirecional de dados. Cada mensagem WebSocket contém um único registro JSONL, o que simplifica a interpretação dos dados nas duas pontas.

Servidor WebSocket com mensagens 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' }));

Cada mensagem WebSocket contém um único objeto JSON, seguindo a convenção do JSONL de um registro por mensagem. O servidor envia métricas ao cliente em intervalos de 500ms e, ao mesmo tempo, aceita comandos enviados por ele. As duas direções usam a mesma serialização JSON, o que torna o protocolo simétrico e fácil de depurar.

Streaming de logs na prática

Um dos usos mais comuns do streaming de JSONL na prática é a coleta centralizada de logs. As aplicações escrevem entradas de log estruturadas como linhas JSONL em stdout ou em um arquivo, e um agente coletor acompanha a saída em tempo real, encaminhando os registros para um sistema central. Esse padrão é usado pelo Docker, pelo Kubernetes e pela maioria dos serviços de logs em nuvem.

Coletor de logs JSONL em tempo real
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();

Este coletor acompanha um arquivo de log JSONL em tempo real e encaminha os registros aos handlers de acordo com o nível de log. Ele mantém a posição de leitura no arquivo para ler apenas o conteúdo novo após a leitura inicial do conteúdo existente. Em produção, você adicionaria detecção de rotação de arquivos, encerramento controlado e envio em lotes para reduzir as chamadas de rede ao sistema centralizado de logs.

Trabalhe com arquivos JSONL online

Visualize, valide e converta arquivos JSONL de até 1GB diretamente no navegador. Sem precisar fazer upload, com 100% de privacidade.

Perguntas frequentes

Referências