haskell - 如何在资源有限的 Haskell 中解析大型 XML 文件?

标签 haskell xml-parsing profiling

我想从 Haskell 中的一个大型 XML 文件(大约 20G)中提取信息。由于它是一个大文件,我使用了 Hexpath 中的 SAX 解析函数.
这是我测试的一个简单代码:

import qualified Data.ByteString.Lazy as L
import Text.XML.Expat.SAX as Sax

parse :: FilePath -> IO ()
parse path = do
    inputText <- L.readFile path
    let saxEvents = Sax.parse defaultParseOptions inputText :: [SAXEvent Text Text]
    let txt = foldl' processEvent "" saxEvents
    putStrLn txt
在 Cabal 中激活分析后,它说 parse.saxEvents占用了 85% 的分配内存。我也用过foldr结果是一样的。
如果 processEvent变得足够复杂,程序崩溃了 stack space overflow错误。
我究竟做错了什么?

最佳答案

你不说什么processEvent就好像。原则上,使用惰性 ByteString 应该没有问题。对于延迟生成的输入进行严格的左折叠,所以我不确定你的情况出了什么问题。但是在处理巨大的文件时应该使用适合流的类型!

事实上,hexpat确实有“流”接口(interface)(就像 xml-conduit )。它使用不太知名的 List 图书馆和 the rather ugly List class it defines .原则上 ListT type来自 List 包应该可以正常工作。由于缺少组合器,我很快放弃了,并写了一个丑陋的 List 的适当实例。 Pipes.ListT 的包装版本的类然后我用它来导出普通的Pipes.Producer函数如 parseProduce .为此所需的琐碎操作在下面附加为 PipesSax.hs
一旦我们有 parseProducer我们可以将 ByteString 或 Text Producer 转换为 SaxEvents 的 Producer带有 Text 或 ByteString 组件。下面是一些简单的操作。我使用的是 238M 的“input.xml”;程序永远不需要超过 6 mb 的内存,从查看 top 来判断.

-- Sax.hs大多数 IO 操作使用 registerIds在底部定义的管道是为一大段 xml 量身定制的,这是一个有效的 1000 片段 http://sprunge.us/WaQK

{-#LANGUAGE OverloadedStrings #-}
import PipesSax ( parseProducer )
import Data.ByteString ( ByteString )
import Text.XML.Expat.SAX 
import Pipes  -- cabal install pipes pipes-bytestring 
import Pipes.ByteString (toHandle, fromHandle, stdin, stdout )
import qualified Pipes.Prelude as P
import qualified System.IO as IO
import qualified Data.ByteString.Char8 as Char8

sax :: MonadIO m => Producer ByteString m () 
                 -> Producer (SAXEvent ByteString ByteString) m ()
sax =  parseProducer defaultParseOptions

-- stream xml from stdin, yielding hexpat tagstream to stdout;
main0 :: IO ()
main0 =  runEffect $ sax stdin >-> P.print

-- stream the extracted 'IDs' from stdin to stdout
main1 :: IO ()
main1 = runEffect $ sax stdin >-> registryIds >-> stdout

-- write all IDs to a file
main2 =  
 IO.withFile "input.xml" IO.ReadMode $ \inp -> 
 IO.withFile "output.txt" IO.WriteMode $ \out -> 
   runEffect $ sax (fromHandle inp) >-> registryIds >-> toHandle out 

-- folds:
-- print number of IDs
main3 =  IO.withFile "input.xml" IO.ReadMode $ \inp -> 
           do n <- P.length $ sax (fromHandle inp) >-> registryIds
              print n

-- sum the meaningful part of the IDs - a dumb fold for illustration
main4 =  IO.withFile "input.xml" IO.ReadMode $ \inp ->
         do let pipeline =  sax (fromHandle inp) >-> registryIds >-> P.map readIntId
            n <- P.fold (+) 0 id pipeline
            print n
  where
   readIntId :: ByteString -> Integer
   readIntId = maybe 0 (fromIntegral.fst) . Char8.readInt . Char8.drop 2

-- my xml has tags with attributes that appear via hexpat thus:
-- StartElement "FacilitySite" [("registryId","110007915364")] 
-- and the like. This is just an arbitrary demo stream manipulation.
registryIds :: Monad m => Pipe (SAXEvent ByteString ByteString) ByteString m ()
registryIds = do 
  e <- await  -- we look for a 'SAXEvent'
  case e of -- if it matches, we yield, else we go to the next event
    StartElement "FacilitySite" [("registryId",a)] -> do yield a
                                                         yield "\n"
                                                         registryIds
    _ -> registryIds  

--'库':PipesSax.hs

这只是 newtypes Pipes.ListT 以获取适当的实例。我们不导出与 List 相关的任何内容或 ListT但只需使用标准 Pipes.Producer 概念。
{-#LANGUAGE TypeFamilies, GeneralizedNewtypeDeriving #-}
module PipesSax (parseProducerLocations, parseProducer) where 
import Data.ByteString (ByteString)
import Text.XML.Expat.SAX
import Data.List.Class
import Control.Monad
import Control.Applicative
import Pipes  
import qualified Pipes.Internal as I

parseProducer
  :: (Monad m, GenericXMLString tag, GenericXMLString text) 
  => ParseOptions tag text
  -> Producer ByteString m () 
  -> Producer (SAXEvent tag text) m ()
parseProducer opt  = enumerate . enumerate_ 
                     . parseG opt 
                     . Select_ . Select

parseProducerLocations
  :: (Monad m, GenericXMLString tag, GenericXMLString text) 
  => ParseOptions tag text
  -> Producer ByteString m () 
  -> Producer (SAXEvent tag text, XMLParseLocation) m ()
parseProducerLocations opt = 
  enumerate . enumerate_ . parseLocationsG opt . Select_ . Select  

newtype ListT_ m a = Select_ { enumerate_ :: ListT m a }
    deriving (Functor, Monad, MonadPlus, MonadIO
             , Applicative, Alternative, Monoid, MonadTrans)

instance Monad m => List (ListT_ m) where
 type ItemM (ListT_ m) = m
 joinL = Select_ . Select . I.M . liftM (enumerate . enumerate_) 
 runList   = liftM emend  . next  . enumerate . enumerate_
   where 
     emend (Right (a,q)) = Cons a (Select_ (Select q))
     emend _ = Nil

关于haskell - 如何在资源有限的 Haskell 中解析大型 XML 文件?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29450397/

相关文章:

haskell - 计算整数 `log` 的函数

java - xerces Xpath - 从另一个节点搜索节点

java - 在 Java 中解析此 XML 的最简单方法?

c++ - 如何在 OS X 上安装 gprof

xcode - 如何在 Xcode 分析和存档构建中设置 DEBUG 和 NDEBUG 宏?

javascript - Shake FilePatterns 如何用于缩小 JS 和 CSS 文件?

haskell - 在 Windows 上构建 GHC 时出错

Haskell -- 我应该如何避免头或尾,并采用模式匹配?

java - 使用 Spring Batch 根据属性值解析 xml 片段

.net - 如何分析 .NET 应用程序的网络利用率