Dawarich项目导入Google Takeout大文件问题的分析与解决方案

问题背景

在使用Dawarich项目导入Google Takeout生成的Records.json文件时，许多用户遇到了导入失败的问题。这个问题主要出现在处理大型JSON文件时，文件大小通常在几百MB到几GB不等，包含了用户多年的位置历史数据。

问题现象

当用户尝试通过rake任务导入大文件时，系统通常会表现出以下两种行为之一：

1. 进程直接被终止，显示"Killed"信息
2. 系统资源被耗尽，最终导致服务器锁死

根本原因分析

经过深入分析，我们发现这个问题主要由以下几个因素导致：

1. 内存限制：Ruby进程在处理大型JSON文件时需要将整个文件加载到内存中，当文件过大时会超出容器内存限制
2. 处理方式：当前的导入流程没有采用流式处理，而是尝试一次性处理整个文件
3. 系统资源：默认的Docker容器资源配置不足以处理如此大量的数据

解决方案

官方推荐方案

1. 文件分割：将大型Records.json文件分割为100-150MB大小的多个小文件
2. 直接导出：通过Android设备的Google Maps应用直接导出时间线数据，这样生成的文件通常较小

技术解决方案

对于有技术能力的用户，可以采用以下Python脚本解决方案：

import json
from datetime import datetime

def generate_sql(file_path, output_path, import_id, user_id):
    now = datetime.utcnow().strftime('%Y-%m-%d %H:%M:%S.%f')[:-3]
    
    with open(file_path, 'r') as json_file, open(output_path, 'w') as sql_file:
        data = json.load(json_file)
        locations = data.get('locations', [])
        
        for location in locations:
            parsed = parse_json(location)
            sql = (
                f"INSERT INTO public.points (latitude, longitude, timestamp, raw_data, topic, tracker_id, import_id, user_id, created_at, updated_at) "
                f"VALUES ({parsed['latitude']}, {parsed['longitude']}, {parsed['timestamp']}, "
                f"'{parsed['raw_data']}', 'Google Maps Timeline Export', 'google-maps-timeline-export', "
                f"{import_id}, {user_id}, '{now}', '{now}');\n"
            )
            sql_file.write(sql)

def parse_json(entry):
    timestamp_str = entry.get('timestamp') or entry.get('timestampMs', '')
    
    if 'T' in timestamp_str:
        timestamp = int(datetime.fromisoformat(timestamp_str.replace('Z', '+00:00')).timestamp())
    else:
        timestamp = int(timestamp_str) // 1000 if timestamp_str else 0
    
    return {
        "latitude": entry.get('latitudeE7', 0) / 10 ** 7,
        "longitude": entry.get('longitudeE7', 0) / 10 ** 7,
        "timestamp": timestamp,
        "altitude": entry.get('altitude', 'NULL'),
        "velocity": entry.get('velocity', 'NULL'),
        "raw_data": json.dumps(entry).replace("'", "''") 
    }

input_json_path = 'Records.json'
output_sql_path = 'output.sql'
import_id = 1
user_id = 1

generate_sql(input_json_path, output_sql_path, import_id, user_id)

实施步骤

1. 在Dawarich中创建一个导入记录（即使会失败）
2. 记录下生成的import_id和user_id（通常首次使用时为1和1）
3. 将Records.json文件与脚本放在同一目录
4. 运行脚本生成SQL文件
5. 修改docker-compose.yml暴露数据库端口
6. 执行生成的SQL文件导入数据

性能考虑

对于包含200万条记录的文件，导入过程大约需要10-15分钟。建议在非高峰期执行此操作，以避免影响系统其他功能。

未来改进

Dawarich项目已经改进了文件导入流程，采用了更高效的处理方式，应该能够更好地处理大型文件。用户可以考虑升级到最新版本以获得更好的导入体验。

总结

处理大型位置历史数据导入是一个具有挑战性的任务，特别是在资源受限的环境中。通过文件分割或使用替代导入方法，用户可以成功地将他们的Google位置历史导入Dawarich系统。对于技术用户，直接生成SQL并导入数据库的方法提供了一个可靠的解决方案。