Indice / Practicas / EJ-1.4

EJ-1.4 · Log de servidor: sintactico vs semantico

El archivo JSON es perfectamente válido y sus 800 elementos son cadenas. json.load no mira lo que hay adentro de una cadena: esa segunda etapa del parseo es tuya, y ahí están los nueve problemas.

Qué hay que hacer

A partir de servidor_acceso_log.json (800 líneas de acceso), producir:

• acceso_parseado.csv - las 791 líneas utilizables, con sus seis campos en columnas y el número de línea.
• lineas_rechazadas.txt - las 9 que no, con el número, la columna, el motivo y la línea cruda.

Sin pandas: json.load, una expresión regular y un validador por campo.

Las dos clases de línea rota

Cómo saber si te salió

python comparar.py mi_parseado.csv acceso_parseado.csv

El informe de texto se mira contra el extracto de esta página.

El contrato de salida

acceso_parseado.csv · 791 filas

Orden de las filas: linea ascendente, que es el orden del archivo. Como linea es la posicion en la lista, es unico y el orden es total. Indice: no se escribe: csv.DictWriter no agrega ninguna columna de indice, y con pandas seria to_csv(index=False)

lineas_rechazadas.txt · 21 filas

Orden de las filas: linea ascendente: el orden del archivo, no una decision. Indice: no aplica: es texto plano. Con pandas la equivalencia seria to_csv(index=False)

Que hacer con cada defecto

Conteos clave

Si estos numeros no te dan, algo se desvio antes de que llegues a comparar los archivos.

Invariantes

Comprobaciones que tu resultado tiene que cumplir. Corrilas vos mismo antes de comparar los archivos:

len(parseado) == 791
len(parseado) + 9 == 800
parseado['linea'].is_unique
parseado['linea'].is_monotonic_increasing
parseado['linea'].between(1, 800).all()
not parseado.isna().any().any()
parseado['estado'].between(100, 599).all()
(parseado['ms'] >= 0).all()
set(parseado['metodo']) <= {'DELETE', 'GET', 'HEAD', 'PATCH', 'POST', 'PUT'}
parseado['fecha'].str.match(r'\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}$').all()

Así tienen que quedar