СЛУЧАЯ ЧАСТОЧНАЯ СКРЫТАЯ СКРАТИРОВАНИЕ слишком медленным

Question

Задний план

Создал скрипт для счета частоты слов в простом текстовом файле. Сценарий выполняет следующие шаги:

1. Считайте частоту слов из корпуса.
2. Сохранить каждое слово в корпусе, найденном в словаре.
3. Создайте разделенный запятыми файл частот.

Сценарий: http://pastebin.com/vazdekxs.

#!/bin/bash

# Create a tally of all the words in the corpus.
#
echo Creating tally of word frequencies...
sed -e 's/ /\n/g' -e 's/[^a-zA-Z\n]//g' corpus.txt | \
  tr [:upper:] [:lower:] | \
  sort | \
  uniq -c | \
  sort -rn > frequency.txt

echo Creating corpus lexicon...
rm -f corpus-lexicon.txt

for i in $(awk '{if( $2 ) print $2}' frequency.txt); do
  grep -m 1 ^$i\$ dictionary.txt >> corpus-lexicon.txt;
done

echo Creating lexicon...
rm -f lexicon.txt

for i in $(cat corpus-lexicon.txt); do
  egrep -m 1 "^[0-9 ]* $i\$" frequency.txt | \
    awk '{print $2, $1}' | \
    tr ' ' ',' >> lexicon.txt;
done

Проблема

Следующие строки постоянно циклически через словарь соответствуют словам:

for i in $(awk '{if( $2 ) print $2}' frequency.txt); do
  grep -m 1 ^$i\$ dictionary.txt >> corpus-lexicon.txt;
done

Он работает, но это медленно, потому что он сканирует слова, которые он найден, чтобы удалить любые, которые не в словаре. Код выполняет эту задачу, сканируя словарь для каждого слова. (То -m 1 Параметр останавливает сканирование, когда совпадение найдено.)

Вопрос

Как бы вы оптимизировали сценарий, так что словарь не отсканирован от начала до конца для каждого слова? Большинство слов не будут в словаре.

Спасибо!

Answer 1

Вы можете использовать grep -f Для поиска всех слов в одном проходе через Chrade.txt:

awk '{print $2}' frequency.txt | grep -Fxf dictionary.txt > corpus-lexicon.txt

• -F Для поиска фиксированных строк.
• -x соответствовать только цельным линиям.
• -f Чтобы прочитать шаблоны поиска из Dictionary.txt

На самом деле, вы можете даже объединить это со вторым циклом и устранить промежуточный файл CORPUS-LECKINON.TXT. Два для петель могут быть заменены одним GREP:

grep -Fwf dictionary.txt frequency.txt | awk '{print $2 "," $1}'

Обратите внимание, что я изменил -x к -w.

Answer 2

Обычно это один из тех сценариев, которые вы пишете в Perl для скорости. Но если, как я, вы ненавидите языки для программирования только на написании писать, вы можете сделать все это в awk:

awk '
    BEGIN {
        while ((getline < "dictionary.txt") > 0)
            dict[$1] = 1
    }
    ($2 && $2 in dict) { print $2 }
' < frequency.txt > corpus-lexicon.txt

Нет необходимости в rm -f corpus-lexicon.txt В этой версии.

Answer 3

Используйте реальный язык программирования. Все запуска приложения и сканирования файлов убивают вас. Например, вот пример, который я только что взбил в Python (минимизация строк кода):

import sys, re
words = re.findall(r'(\w+)',open(sys.argv[1]).read())
counts = {}
for word in words:
  counts[word] = counts.setdefault(word,0) + 1
open(sys.argv[2],'w').write("\n".join([w+','+str(c) for (w,c) in counts.iteritems()]))

Тестирование против большого текстового файла у меня сидя наулам (1,4 МБ, 80 000 слов в соответствии с WC), это завершится под во второй (18 тысяч уникальных слов) на 5-летнем Powermac.