أتوبارسيك:تخطي المصطلحات بين قوسين?

Question

أحاول جعل ملفات تسف كبيرة مع جسون في العمود 5 مناسبة للاستيراد إلى مونغودب.على وجه الخصوص ، أريد تغيير المستوى الأعلى وحقول مفتاح المستوى الأعلى فقط إلى معرف.هذا ما لدي حتى الآن ، يبدو أنه يعمل ولكنه بطيء:

{-# LANGUAGE OverloadedStrings #-}

import System.Environment (getArgs)
import Data.Conduit.Binary (sourceFile, sinkFile)
import Data.Conduit
import qualified Data.Conduit.Text as CT
import qualified Data.Conduit.List as CL
import qualified Data.Text as T
import Data.Monoid ((<>))
import Data.Attoparsec.Text as APT
import Control.Applicative

main = do 
        (inputFile : outputFile : _) <- getArgs
        runResourceT $ sourceFile inputFile  
                $= CT.decode CT.utf8 $= CT.lines $= CL.map jsonify 
                $= CT.encode CT.utf8 $$ sinkFile outputFile

jsonify :: T.Text -> T.Text
jsonify = go . T.splitOn "\t"
        where 
        go (_ : _ : _ : _ : content : _) = case parseOnly keyTo_id content of
                Right res -> res <> "\n"
                _ -> ""
        go _ = ""

keyTo_id :: Parser T.Text 
keyTo_id = skipWhile(/='{') >> T.snoc <$>
        (T.cons <$> (char '{') 
                <*> (T.concat <$> many1 ( bracket 
                    <|> (string "\"key\":" >> return "\"_id\":") 
                    <|> APT.takeWhile1(\x -> x /= '{' && x /= '}' && x/= '"') 
                    <|> T.singleton <$> satisfy (/= '}')
                    )))  
        <*> char '}'        

bracket :: Parser T.Text        
bracket = T.cons <$> char '{' 
        <*> scan 1 test
     where
        test :: Int -> Char -> Maybe Int
        test 0 _ = Nothing        
        test i  '}'= Just (i-1)
        test i '{' = Just (i+1)
        test i _ = Just i

وفقا لملف التعريف ، يتم إنفاق 58.7 ٪ من الوقت بين قوسين ، و 19.6 ٪ في معرف المفتاح ، و 17.1 ٪ بشكل رئيسي.

بالتأكيد هناك طريقة أفضل لإرجاع المصطلحات الموضوعة بين قوسين دون تغيير إذا تطابق الأقواس?

نظرت لفترة وجيزة في أتوبارسيك قناة ، ولكن ليس لدي أي فكرة عن كيفية استخدام تلك المكتبة ولا يمكن حتى معرفة ما إذا كان هذا هو نوع من الشيء الذي يمكن استخدامه ل.

تحرير:تحديث التعليمات البرمجية.البيانات من openlibrary.org ، ه.g. http://openlibrary.org/data/ol_dump_authors_latest.txt.gz

Answer 1

استخدام scan وظيفة.انها تسمح لك لمسح أكثر من سلسلة صيانة الدولة.في حالتك ستكون الدولة رقم-الفرق بين فتح وإغلاق الأقواس التي واجهتها حتى الآن.عندما تكون حالتك 0 ، فهذا يعني أن الأقواس تتطابق داخل السلسلة الفرعية الحالية.

الحيلة هي أنك لا تفكيك وإعادة بناء السلسلة بهذه الطريقة ، لذلك ينبغي أن يكون أسرع.

أيضا ، هل يمكن الحصول على بعض الأداء حتى مع الخوارزمية الحالية باستخدام النص كسول-و concat وظيفة ستعمل بشكل أكثر كفاءة.