Как я могу использовать Python для преобразования bsondump MongoDB в JSON?

У вас есть дамп в Mongo Extended JSON в режиме TenGen (см. здесь). Некоторые возможные пути:

1. Если вы можете снова создать дамп, используйте строгий режим вывода через REST API MongoDB. Это должно дать вам настоящий JSON вместо того, что у вас есть сейчас.

2. Используйте bson с http://pypi.python.org/pypi/bson/, чтобы прочитать BSON, который у вас уже есть, в Структуры данных Python, а затем выполняйте любую необходимую обработку (возможно, вывод JSON).

3. Используйте привязки MongoDB Python для подключения к базе данных, чтобы получить данные в Python, а затем выполнить необходимую обработку. (При необходимости вы можете настроить локальный экземпляр MongoDB и импортировать в него файлы дампа.)

4. Преобразуйте Mongo Extended JSON из режима TenGen в строгий режим. Вы можете разработать для этого отдельный фильтр (считывать со стандартного ввода, заменять структуры TenGen структурами Strict и выводить результат на стандартный вывод) или делать это во время обработки ввода.

Вот пример использования Python и регулярных выражений:

import json, re
from bson import json_util

with open("data.tengenjson", "rb") as f:
    # read the entire input; in a real application,
    # you would want to read a chunk at a time
    bsondata = f.read()

    # convert the TenGen JSON to Strict JSON
    # here, I just convert the ObjectId and Date structures,
    # but it's easy to extend to cover all structures listed at
    # http://www.mongodb.org/display/DOCS/Mongo+Extended+JSON
    jsondata = re.sub(r'ObjectId\s*\(\s*\"(\S+)\"\s*\)',
                      r'{"$oid": "\1"}',
                      bsondata)
    jsondata = re.sub(r'Date\s*\(\s*(\S+)\s*\)',
                      r'{"$date": \1}',
                      jsondata)

    # now we can parse this as JSON, and use MongoDB's object_hook
    # function to get rich Python data structures inside a dictionary
    data = json.loads(jsondata, object_hook=json_util.object_hook)

    # just print the output for demonstration, along with the type
    print(data)
    print(type(data))

    # serialise to JSON and print
    print(json_util.dumps(data))

В зависимости от вашей цели, один из них должен быть разумной отправной точкой.

загрузка всего документа bson в память python обходится дорого.

Если вы хотите передать его в потоковом режиме, а не загружать весь файл и выполнять загрузку всего, вы можете попробовать эту библиотеку.

https://github.com/bauman/python-bson-streaming

from bsonstream import KeyValueBSONInput
from sys import argv
for file in argv[1:]:
    f = open(file, 'rb')
    stream = KeyValueBSONInput(fh=f,  fast_string_prematch="somthing") #remove fast string match if not needed
    for id, dict_data in stream:
        if id:
         ...process dict_data...

Вы можете преобразовать строки файла bson следующим образом:

>>> import bson
>>> bs = open('file.bson', 'rb').read()
>>> for valid_dict in bson.decode_all( bs ):
....

Каждый элемент valid_dict будет действительным python dict, который вы можете преобразовать в json.

Вы можете удалить типы данных и получить строгий json с регулярным выражением:

import json
import re

#This will outputs a iterator that converts each file line into a dict.
def readBsonFile(filename):
    with open(filename, "r") as data_in:
        for line in data_in:
            # convert the TenGen JSON to Strict JSON
            jsondata = re.sub(r'\:\s*\S+\s*\(\s*(\S+)\s*\)',
                              r':\1',
                              line)

            # parse as JSON
            line_out = json.loads(jsondata)

            yield line_out