记一次800多万XML文本文件预处理经历

一.背景

因为某些需求，现需对系统在最近几个月生成的xml文件进行预处理，提取<text>标签内的数据进行分析。这些须要预处理的数据大概有280GB左右880多万，存放在gysl目录下，gysl的下一层按天命名，分为若干个目录，接下来一层目录下又有多个目录，咱们所需的xml目录就在这一层。咱们如今须要将此目录下面的xml文件使用Python脚本进行处理，并将处理结果按天（与源文件一致）保存到~/temp目录下。

二.操做过程

2.1 Python脚本准备。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
import glob,os,sys, re
from concurrent.futures import ProcessPoolExecutor
import argparse
import random

def find_xs(str, list):
    i = 0
    for i in range(0,len(str)):
        if str[i] in list:
            return i
    return -1

def segement_aux(para, OUT, sep_list, max_length, merge_prob):
    pos = 0
    res_sentence = ""
    sentence_size = 0
    while True:
        #segment one line.
        pos = find_xs(para,sep_list)
        if pos == -1:
            break
        cur_sentence = para[:pos+1].strip()
        cur_sentence_filtering = cur_sentence
        res_sentence = res_sentence + cur_sentence_filtering
        sentence_size = sentence_size + 1
        if sentence_size == 2:
            OUT.write(res_sentence + '\n')
        else:
            rand = random.random() 
            if rand > merge_prob:
                OUT.write(res_sentence + '\n')
                res_sentence = ""
                sentence_size = 0
            else:
                sentence_size = sentence_size + 1
        para = para[pos+1:]

def loadXMLfile(inputfile):
    sep_list= ['。', '？', '!']
    targetfolder = "Target"
    max_length = 100000
    merge_prob = 0.6
    basefilename =os.path.basename(inputfile)
    outputfile = targetfolder + '/'+ os.path.splitext(basefilename)[0] + ".tsv"
    textSessionPattern = re.compile(r'<text>(.*?)</text>\s*',  re.I|re.MULTILINE)
    OUT = open(outputfile, 'w',encoding="utf8")
    for line in open(inputfile,encoding="utf8"):
        line = line.strip().rstrip("\r\n")
        alltextsessions = re.findall(textSessionPattern, line)
        for textsession in alltextsessions:
            textsession = re.sub(r'\t', r' ', textsession)
            textsession = re.sub(r'\<[^\<|\>]+\>', r'', textsession)
            textsession = re.sub(r'\{[^\}|\{]+\}', r'', textsession)
            textsession = re.sub(r'\s+',r'',textsession)
            OUT.write(textsession+'\n')
    OUT.close()
    return outputfile

def processXMLfilesWithThreads(input):
    with ProcessPoolExecutor() as executor:
        xmlfiles = glob.glob(input + "/*.xml")
        for xmlfile, outputfile in zip( xmlfiles, executor.map( loadXMLfile, xmlfiles) ):
            print("Processed" + outputfile)

if __name__ == '__main__':
    ap = argparse.ArgumentParser()
    ap.add_argument("-i", "--input", required=True, help="the directory of input files")
    args = ap.parse_args()
    processXMLfilesWithThreads(input = args.input)

2.2 Shell脚本准备。

for folder in `find /home/ivandu/gysl -path "*/xml" -print`;do mkdir Target;python3 XMLPreProcess.py --input $folder;mv Target ~/temp/$(echo $folder|awk -F "/" '{print $5}');done

看着有点费劲，改一下：

#!/bin/bash
for folder in `find /home/ivandu/gysl -path "*/xml" -print`;
    do 
        mkdir Target;
        python3 XMLPreProcess.py --input $folder;
        mv Target ~/temp/$(echo $folder|awk -F "/" '{print $5}');
    done

2.3 执行脚本。

此步骤就不展现了，涉及到某些商业机密。在Python脚本所在的目录下，执行Shell脚本就行。

三.遇到问题

3.1 “Argument list too long”。

在执行某目录下的文件移动、复制、删除操做时，发现提示“Argument list too long”，命令执行不成功。这个目录下的文件数量超过30万，操做命令以下：

cp * ~/gysl_test

提示：

-sh: /bin/cp: Argument list too long

解决方案：

for file in `ls`;do cp $file ~/gysl_test/;done

rm,mv也相似，太忙了也就没继续探讨其余解决方案。

3.2 双for循环执行效率过低。

for folder in `find /home/ivandu/gysl/ -mindepth 2 -maxdepth 2 -print|grep "xml"`；do cd $folder;for file in $(ls);do cp $file ~/gysl_test/;done;done

若是使用这命令来拷贝这些文件的话，那么这一天可能就过去了！这个确定不妥，必须改进。find也用得不够简洁，后来都进行优化了。

3.3 Python单线程执行效率过低。

Python脚本使用了多线程来进行处理。不过多解释，你们见谅\^_^

四.总结

4.1 整体来讲今天处理这些数据仍是挺给力的，差很少5000秒就完成了。我写了一条命令动态观察了一下。

4.2 正则表达式随时都能用上，要不是处理一下特殊任务和Python多线程，直接一个grep命令写到shell命令或许早就完事了。

4.3 多线程。bash shell中的多线程还不会使用，之后还得增强学习一下。

4.4 就写这么多了，不足之处还望诸位不吝赐教。