Attoparsec:跳过括号的条款?
-
13-12-2019 - |
题
我正在尝试使用JSON在适用于MongoDB的第5列中使用JSON进行大型TSV文件。 特别是我要更改顶级和仅顶级键字段到_ID。这就是我到目前为止的目标,似乎工作但很慢:
{-# 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
.
根据剖面仪58.7%的时间在括号中花费19.6%,主要为17.1%。
如果括号匹配,则肯定有更好的方式返回括号的术语,如果括号匹配?
我简要介绍了Attoparsec-Conduit,但我不知道如何使用该库,甚至无法判断它是否是它可以使用的东西。
编辑:更新了代码。数据来自OpenLibrary.org,E。G。 http://openlibrary.org/data/Ol_dump_authors_latest.txt.gz
解决方案
使用scan
函数。它允许您扫描维护状态的字符串。在您的情况下,该州将是一个数字 - 到目前为止遇到的开放和关闭括号的差异。
当您的状态为0时,这意味着括号匹配在当前的子字符串内。
诀窍是你没有以这种方式解构和重建字符串,所以它应该更快。
此外,即使通过使用惰性文本使用当前算法,您还可以获得一些性能 - concat
功能将更有效地工作。
不隶属于 StackOverflow