ATTOPARSEC: пропуская сложные условия?

Question

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

Answer 1

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.