С Haskell, как я обрабатываю большие объемы XML?

Question

С Haskell, как я обрабатываю большие объемы XML?

Я исследовал дампы данных Переполнения стека и к настоящему времени использовал в своих интересах дружественный XML и “анализировал” с регулярными выражениями. Мои попытки с различными библиотеками Haskell XML для нахождения первого сообщения в порядке документа конкретным пользователем все столкнулись с противной перегрузкой.

TagSoup

import Control.Monad
import Text.HTML.TagSoup

userid = "83805"

main = do
  posts <- liftM parseTags (readFile "posts.xml")
  print $ head $ map (fromAttrib "Id") $
                 filter (~== (""))
                 posts

hxt

import Text.XML.HXT.Arrow
import Text.XML.HXT.XPath

userid = "83805"

main = do
  runX $ readDoc "posts.xml" >>> posts >>> arr head
  where
    readDoc = readDocument [ (a_tagsoup, v_1)
                           , (a_parse_xml, v_1)
                           , (a_remove_whitespace, v_1)
                           , (a_issue_warnings, v_0)
                           , (a_trace, v_1)
                           ]

posts :: ArrowXml a => a XmlTree String
posts = getXPathTrees byUserId >>>
        getAttrValue "Id"
  where byUserId = "/posts/row/@OwnerUserId='" ++ userid ++ "'"

xml

import Control.Monad
import Control.Monad.Error
import Control.Monad.Trans.Maybe
import Data.Either
import Data.Maybe
import Text.XML.Light

userid = "83805"

main = do
  [posts,votes] <- forM ["posts", "votes"] $
    liftM parseXML . readFile . (++ ".xml")
  let ps = elemNamed "posts" posts
  putStrLn $ maybe "" show
           $ filterElement (byUser userid) ps

elemNamed :: String -> [Content] -> Element
elemNamed name = head . filter ((==name).qName.elName) . onlyElems

byUser :: String -> Element -> Bool
byUser id e = maybe False (==id) (findAttr creator e)
  where creator = QName "OwnerUserId" Nothing Nothing

Где я шел не так, как надо? Что надлежащий путь состоит в том, чтобы обработать значительные XML-документы с Haskell?

16

xml haskell tag-soup large-scale large-data

задан Community 22 September 2017 в 17:44

4 ответа

Другие вопросы по тегам:

xml haskell tag-soup large-scale large-data

Похожие вопросы:

score 17 · Answer 1

Я заметил, что вы используете String IO во всех этих случаях. Вы абсолютно точно должны использовать Data.Text или Data.Bytestring(.Lazy), если надеетесь эффективно обрабатывать большие объемы текста, так как String == [Char], что является неподходящим представлением для очень больших плоских файлов.

Это означает, что вам придется использовать библиотеку Haskell XML, которая поддерживает байтовые строки. Несколько десятков библиотек xml находятся здесь: http://hackage.haskell.org/packages/archive/pkg-list.html#cat:xml

Я не уверен, какие из них поддерживают байтовые строки, но это условие, которое вы ищете.

score 1 · Answer 2

Возможно, вам нужен ленивый парсер XML: ваше использование выглядит как довольно простое сканирование входных данных. HaXml имеет ленивый парсер, хотя вы должны запросить его явно, импортировав соответствующий модуль.

score 9 · Answer 3

Ниже приведен пример, в котором используется hexpat:

{-# LANGUAGE PatternGuards #-}

module Main where

import Text.XML.Expat.SAX

import qualified Data.ByteString.Lazy as B

userid = "83805"

main :: IO ()
main = B.readFile "posts.xml" >>= print . earliest
  where earliest :: B.ByteString -> SAXEvent String String
        earliest = head . filter (ownedBy userid) . parse opts
        opts = ParserOptions Nothing Nothing

ownedBy :: String -> SAXEvent String String -> Bool
ownedBy uid (StartElement "row" as)
  | Just ouid <- lookup "OwnerUserId" as = ouid == uid
  | otherwise = False
ownedBy _ _ = False

Определение ownedBy немного неуклюжее. Возможно, вместо этого можно использовать шаблон представления:

{-# LANGUAGE ViewPatterns #-}

module Main where

import Text.XML.Expat.SAX

import qualified Data.ByteString.Lazy as B

userid = "83805"

main :: IO ()
main = B.readFile "posts.xml" >>= print . earliest
  where earliest :: B.ByteString -> SAXEvent String String
        earliest = head . filter (ownedBy userid) . parse opts
        opts = ParserOptions Nothing Nothing

ownedBy :: String -> SAXEvent String String -> Bool
ownedBy uid (ownerUserId -> Just ouid) = uid == ouid
ownedBy _ _ = False

ownerUserId :: SAXEvent String String -> Maybe String
ownerUserId (StartElement "row" as) = lookup "OwnerUserId" as
ownerUserId _ = Nothing

score 3 · Answer 4

TagSoup поддерживает ByteString через свой класс Text.StringLike. Единственные изменения, которые потребовались в вашем примере, - это вызвать ByteString.Lazy readFile и добавить fromString в fromAttrib :

import Text.StringLike
import qualified Data.ByteString.Lazy as BSL
import qualified Data.ByteString.Char8 as BSC

userid = "83805"
file = "blah//posts.xml"
main = do
posts <- liftM parseTags (BSL.readFile file)
print $ head $ map (fromAttrib (fromString "Id")) $
               filter (~== ("<row OwnerUserId=" ++ userid ++ ">"))
               posts

Ваш пример был выполнен для меня ( 4 гига RAM), что занимает 6 минут; версия ByteString заняла 10 минут.