记一次800多万XML文本文件预处理经历

一.背景

由于某些需求，现需对系统在最近几个月生成的xml文件进行预处理，提取标签内的数据进行分析。这些需要预处理的数据大概有280GB左右880多万，存放在gysl目录下，gysl的下一层按天命名，分为若干个目录，接下来一层目录下又有多个目录，我们所需的xml目录就在这一层。我们现在需要将此目录下面的xml文件使用Python脚本进行处理，并将处理结果按天（与源文件一致）保存到~/temp目录下。

二.操作过程

2.1 Python脚本准备。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
import glob,os,sys, re
from concurrent.futures import ProcessPoolExecutor
import argparse
import random

def find_xs(str, list):
	i = 0
	for i in range(0,len(str)):
		if str[i] in list:
			return i
	return -1

def segement_aux(para, OUT, sep_list, max_length, merge_prob):
	pos = 0
	res_sentence = ""
	sentence_size = 0
	while True:
		#segment one line.
		pos = find_xs(para,sep_list)
		if pos == -1:
			break
		cur_sentence = para[:pos+1].strip()
		cur_sentence_filtering = cur_sentence
		res_sentence = res_sentence + cur_sentence_filtering
		sentence_size = sentence_size + 1
		if sentence_size == 2:
			OUT.write(res_sentence + '\n')
		else:
			rand = random.random() 
			if rand > merge_prob:
				OUT.write(res_sentence + '\n')
				res_sentence = ""
				sentence_size = 0
			else:
				sentence_size = sentence_size + 1
		para = para[pos+1:]
	
def loadXMLfile(inputfile):
	sep_list= ['。', '？', '!']
	targetfolder = "Target"
	max_length = 100000
	merge_prob = 0.6
	basefilename =os.path.basename(inputfile)
	outputfile = targetfolder + '/'+ os.path.splitext(basefilename)[0] + ".tsv"
	textSessionPattern = re.compile(r'<text>(.*?)</text>\s*',  re.I|re.MULTILINE)
	OUT = open(outputfile, 'w',encoding="utf8")
	for line in open(inputfile,encoding="utf8"):
		line = line.strip().rstrip("\r\n")
		alltextsessions = re.findall(textSessionPattern, line)
		for textsession in alltextsessions:
			textsession = re.sub(r'\t', r' ', textsession)
			textsession = re.sub(r'\<[^\<|\>]+\>', r'', textsession)
			textsession = re.sub(r'\{[^\}|\{]+\}', r'', textsession)
			textsession = re.sub(r'\s+',r'',textsession)
			OUT.write(textsession+'\n')
	OUT.close()
	return outputfile
	
def processXMLfilesWithThreads(input):
	with ProcessPoolExecutor() as executor:
		xmlfiles = glob.glob(input + "/*.xml")
		for xmlfile, outputfile in zip( xmlfiles, executor.map( loadXMLfile, xmlfiles) ):
			print("Processed" + outputfile)

if __name__ == '__main__':
	ap = argparse.ArgumentParser()
	ap.add_argument("-i", "--input", required=True, help="the directory of input files")
	args = ap.parse_args()
	processXMLfilesWithThreads(input = args.input)

2.2 Shell脚本准备。

for folder in `find /home/ivandu/gysl -path "*/xml" -print`;do mkdir Target;python3 XMLPreProcess.py --input $folder;mv Target ~/temp/$(echo $folder|awk -F "/" '{print $5}');done

看着有点费劲，改一下：

#!/bin/bash
for folder in `find /home/ivandu/gysl -path "*/xml" -print`;
    do 
        mkdir Target;
        python3 XMLPreProcess.py --input $folder;
        mv Target ~/temp/$(echo $folder|awk -F "/" '{print $5}');
    done

2.3 执行脚本。

此步骤就不展示了，涉及到某些商业机密。在Python脚本所在的目录下，执行Shell脚本就行。

三.遇到问题

3.1 “Argument list too long”。

在执行某目录下的文件移动、复制、删除操作时，发现提示“Argument list too long”，命令执行不成功。这个目录下的文件数量超过30万，操作命令如下：

cp * ~/gysl_test

提示：

-sh: /bin/cp: Argument list too long 

解决方案：

for file in `ls`;do cp $file ~/gysl_test/;done

rm，mv，cat也类似，太忙了也就没继续探讨其他解决方案。

3.2 双for循环执行效率太低。

for folder in `find /home/ivandu/gysl/ -mindepth 2 -maxdepth 2 -print|grep "xml"`；do cd $folder;for file in $(ls);do cp $file ~/gysl_test/;done;done

如果使用这命令来拷贝这些文件的话，那么这一天可能就过去了！这个肯定不妥，必须改进。find也用得不够简洁，后来都进行优化了。

3.3 Python单线程执行效率太低。

Python脚本使用了多线程来进行处理。不过多解释，大家见谅^_^

四.总结

4.1 总体来说今天处理这些数据还是挺给力的，差不多5000秒就完成了。我写了一条命令动态观察了一下。

4.2 正则表达式随时都能用上，要不是处理一下特殊任务和Python多线程，直接一个grep命令写到shell命令或许早就完事了。

4.3 多线程。bash shell中的多线程还不会使用，以后还得加强学习一下。

4.4 就写这么多了，不足之处还望诸位不吝赐教。