如何在资源有限的 Haskell 中解析大型 XML 文件?
Posted
技术标签:
【中文标题】如何在资源有限的 Haskell 中解析大型 XML 文件?【英文标题】:How to parse a large XML file in Haskell with limited amount of resources? 【发布时间】:2015-04-04 19:12:25 【问题描述】:我想从 Haskell 中的一个大型 XML 文件(大约 20G)中提取信息。由于是大文件,我使用了Hexpath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。我也用了foldr
,结果是一样的。
如果processEvent
变得足够复杂,程序会崩溃并出现stack space overflow
错误。
我做错了什么?
【问题讨论】:
你可能想看看流媒体解决方案:hackage.haskell.org/package/xml-conduitprocessEvent
是做什么的?它是否在累加器字符串上使用++
?此外,您是否也只用完了堆栈空间或 RAM?请发布一些 RAM 使用统计信息(例如 +RTS -s
标志输出)。另外,你的 GHC 版本是什么?在 GHC 7.8 堆栈之后,堆栈默认可以增长到 RAM 的 80%。
@Sibi hexpat 已经有一个流接口,就像 xml-conduit 一样。
【参考方案1】:
你没有说processEvent
是什么样的。原则上,使用惰性ByteString
对惰性生成的输入进行严格的左折叠应该是没有问题的,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(就像xml-conduit
)。它使用不太知名的List
库和the rather ugly List
class it defines。原则上,List 包中的ListT
type 应该可以正常工作。由于缺少组合器,我很快放弃了,并为Pipes.ListT
的包装版本编写了一个丑陋的List
类的适当实例,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
一旦我们有了parseProducer
,我们就可以将一个ByteString 或Text Producer 转换为一个带有Text 或ByteString 组件的SaxEvents
的Producer。下面是一些简单的操作。我使用的是 238M 的“input.xml”;从top
来看,这些程序永远不需要超过 6 mb 的内存。
-- Sax.hs
大多数 IO 操作使用底部定义的 registerIds
管道,该管道针对大量 xml 进行定制,其中这是一个有效的 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。我们不会导出与 List
或 ListT
相关的任何内容,而只是使用标准的 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
【讨论】:
以上是关于如何在资源有限的 Haskell 中解析大型 XML 文件?的主要内容,如果未能解决你的问题,请参考以下文章