使用JSON越多, 你就越有可能遇到JSON编码或解码瓶颈。Python的内置库也不错, 但是还有多个更快的JSON库可用: 如何选择使用哪一个呢?

事实是，没有一个正确的答案，没有一个最快的JSON库来超越其他所有库:

一个“快速的JSON库”对不同的人意味着不同的东西，因为它们的使用模式不同。

速度并不是一切——你可能还会关心其他一些事情，比如安全性和可定制性。

因此，为了帮助你根据需要选择最快的JSON库，我想在这里分享一下我为Python选择一个快速JSON库所经历的过程。你可以使用这个过程来选择最适合你的特殊需要的库:

确保确实有问题需要用到JSON库来解决。

定义基准。

根据附加要求来过滤。

对剩下的候选者进行基准测试。

步骤1: 你确实需要一个新的JSON 库吗?

使用JSON并不意味着它就是一个相关的瓶颈。在考虑使用哪个JSON库之前，你需要一些证据来表明Python的内置JSON库确实在特定应用程序中存在问题。

在我的例子中，我从我的原因日志库Eliot(causal logging library Eliot)的基准测试中学到了这一点，它表明JSON编码占用了大约25%的用于生成消息的CPU时间。我能得到的最大加速是比原先运行快33%(如果JSON编码时间变为零)，但那是一个足够大的时间块，使用最快的JSON库会让这个时间块减小到最低。

步骤 2: 定义基准

如果你查看各种JSON库的基准页面，你会发现它们都会讨论如何处理各种不同的消息。然而，这些消息并不一定与你的使用相关。其他人会经常测量非常大型消息，但在我的例子中，我只关心小型消息。

所以你想要提出一些符合你的特定使用模式的措施:

你关心编码、解码，还是两者都关心?

你使用的是小型消息还是大型消息?

典型的消息是什么样的?

在我的例子中，我主要关心的是编码小型消息，即由Eliot生成的日志消息的特定结构。基于一些真实的日志，我整理出了以下示例消息:

步骤 3: 根据附加要求来过滤

性能并不是一切——你可能还会关心其他一些事情。在我的例子中:

安全性/抗崩溃性:日志消息可以包含来自不可信源的数据。如果JSON编码器在不良数据上崩溃，这对可靠性或安全性都不好。

自定义编码: Eliot支持自定义JSON编码，因此您可以序列化其他类型的Python对象。有些JSON库支持这一点，有些则不支持。

跨平台: 运行在Linux、macOS和Windows上。

维护: 我不想依赖一个没有得到积极支持的库。

我考虑的库有orjson、rapidjson、ujson和hyperjson。

我根据上面的标准过滤掉了其中的一些:

ujson有很多关于崩溃的bug，即使那些已经修复的崩溃也并不总是可用，因为自2016年以来就没有再发布过新版本。

hyperjson只有针对macOS的包，而且总体看起来也相当不成熟。

步骤 4: 基准测试

最后的两个竞争者是rapidjson和orjson。我运行了以下基准测试:

结果如下:

即使需要额外的Unicode解码，orjson也是最快的(对于这个特定的基准测试!)。

与往常一样，我也需要权衡。orjson的用户比rapidjson要少(比较orjson PyPI stats和rapidjson PyPI stats)，并且它也没有Conda包，所以我必须自己为Conda-forge对它进行打包。但是，它确实要快得多。

需求为大

你应该使用orjson吗? 不一定。你可能有不同的要求，你的基准测试也可能不同——例如，你可能需要解码大型文件。

关键点是过程: 找出你的特定要求，比如性能以及其他方面，然后选择最适合你的需求的库。