Atoparsec:Ignorando os termos entre colchetes?

Question

Estou tentando criar arquivos TSV grandes com JSON na 5ª coluna adequados para importação para o mongoDB.Em particular, quero alterar os campos-chave de nível superior e apenas os campos-chave de nível superior para _id.Isto é o que tenho até agora, parece funcionar, mas é lento:

{-# 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

De acordo com o criador de perfil, 58,7% do tempo é gasto entre colchetes, 19,6% em keyTo_id e 17,1% em main.

Certamente há uma maneira melhor de retornar os termos entre colchetes inalterados se os colchetes corresponderem.

Examinei brevemente o attoparsec-conduit, mas não tenho ideia de como usar essa biblioteca e nem sei se esse é o tipo de coisa para a qual ela pode ser usada.

EDITAR:Atualizado o código.Os dados são de openlibrary.org, e.g. http://openlibrary.org/data/ol_dump_authors_latest.txt.gz

Answer 1

Use o scan função.Ele permite que você verifique uma string mantendo um estado.No seu caso, o estado será um número – a diferença entre chaves de abertura e fechamento que você encontrou até agora.Quando seu estado é 0, isso significa que as chaves correspondem dentro da substring atual.

O truque é que você não desconstrui e reconstrói a corda dessa maneira, então deve ser mais rápido.

Além disso, você pode obter algum desempenho mesmo com seu algoritmo atual usando texto preguiçoso - o concat função funcionaria com mais eficiência.