ATTOPARSEC: пропуская сложные условия?
-
13-12-2019 - |
Вопрос
Я пытаюсь сделать большие файлы TSV с JSON в 5-м столбце, подходящем для импорта в MongoDB. В частности, я хочу изменить верхний уровень и только клавиши верхнего уровня в _id.Это то, что у меня так далеко, кажется, работает, но медленно:
{-# 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
.
в соответствии с профилировщиком 58,7% времени проводится в кронштейне, 19,6% в Keyto_id, 17,1% в основном.
Несомненно, есть лучший способ вернуть монеты без изменений, если кронштейны совпадают?
Я кратко посмотрел на ATTOPARSEC-COUNDUIC, но я понятия не имею, как использовать эту библиотеку и даже не могу сказать, является ли это то, что она может быть использована для.
Редактировать: обновлен код.Данные из OpenLibrary.org, e.грамм. http://openlibrary.org/data/ol_dump_authors_latest.txt.gz
Решение
Используйте функцию scan
.Это позволяет сканировать строку в обслуживании состояния.В вашем случае государство будет числом - разница открытия и закрывающих скобок, которые вы столкнулись до сих пор.
Когда ваше состояние равно 0, это означает, что брекеты совпадают внутри текущей подстроки.
Хитрость заключается в том, что вы не дезонструируете и реконструируете строку таким образом, поэтому его должно быть быстрее.
Кроме того, вы можете получить некоторую производительность даже с вашим текущим алгоритмом, используя ленивый текст - функция concat
будет работать более эффективно.