simdjson 库中处理不完整 JSON 数据的解决方案探索
2025-05-10 16:53:07作者:龚格成
背景介绍
在 Presto Java 迁移到基于 Velox 库的 Presto C++(Prestissimo)的过程中,开发团队遇到了 JSON 解析行为不一致的问题。特别是 json_extract
SQL 函数在处理不完整 JSON 字符串时的行为差异,这在实际生产环境中是一个常见需求。
问题分析
Presto Java 的 JSON 解析器能够容忍不完整的 JSON 输入,例如:
SELECT json_extract('{"a": 123, "b', '$.a');
这样的查询在 Presto Java 中可以成功执行并返回 123,但在使用 simdjson 的 Presto C++ 实现中会失败,因为 simdjson 严格执行 JSON 格式规范,会检查闭合的大括号和引号。
技术挑战
simdjson 库在解析 JSON 时有两个关键检查点:
- 结构完整性检查:在
value_iterator::check_root_object()
等方法中验证 JSON 对象是否完整闭合 - 字符串完整性检查:在 stage1 解析阶段验证字符串引号是否闭合
这些严格检查保证了 JSON 解析的正确性,但也限制了处理不完整数据的能力。
解决方案探索
开发团队提出了几种技术方案:
-
利用现有 streaming 标志:
- 发现
_streaming
标志可以跳过部分完整性检查 - 但该标志默认关闭且设计初衷是处理流式数据
- 发现
-
新增编译选项:
- 通过
SIMDJSON_ACCEPT_INVALID_JSON
宏控制严格性 - 保持默认行为不变,仅对特定需求开放
- 通过
-
选择性错误忽略:
- 针对特定错误类型(如
UNCLOSED_STRING
)进行特殊处理 - 同时保留其他错误的严格检查
- 针对特定错误类型(如
实现细节
最终方案结合了多种技术手段:
- 新增
SIMDJSON_ACCEPT_INVALID_JSON
编译选项 - 在 stage1 解析阶段选择性忽略特定错误
- 利用 streaming 模式跳过部分完整性检查
- 保持原有 API 不变,仅通过编译选项改变行为
生产验证
该方案已在生产环境中通过验证:
- 测试了 2000+ 实际查询
- 结果与 Presto Java 保持兼容
- 未发现性能下降或副作用
技术启示
这一案例展示了几个重要的技术实践:
- 向后兼容性在系统迁移中的重要性
- 严格与宽容的权衡在实际工程中的处理
- 编译时选项作为行为控制的有效手段
- 生产环境验证对于基础库修改的必要性
对于需要处理不规范数据的场景,这种可控的宽松解析模式提供了有价值的解决方案,同时保持了核心功能的严格性。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511