800万XML以上のテキストファイルの前処理履歴を記入


一.背景
いくつかのニーズのため、最近数ヶ月で生成されたxmlファイルを前処理し、ラベル内のデータを抽出して分析する必要があります.これらの前処理が必要なデータは約280 GB前後880万余りで、gyslディレクトリの下に保存されています.gyslの次の層は日によって命名され、いくつかのディレクトリに分かれています.次の層のディレクトリの下には複数のディレクトリがあります.私たちが必要なxmlディレクトリはこの層にあります.このディレクトリの下にあるxmlファイルをPythonスクリプトで処理し、処理結果を日単位(ソースファイルと一致)で~/tempディレクトリに保存する必要があります.
二.オペレーションプロセス
2.1 Pythonスクリプトの準備.
#!/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 + '
') else: rand = random.random() if rand > merge_prob: OUT.write(res_sentence + '
') 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'(.*?)\s*', re.I|re.MULTILINE) OUT = open(outputfile, 'w',encoding="utf8") for line in open(inputfile,encoding="utf8"): line = line.strip().rstrip("\r
") 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+'
') 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スクリプトの準備.
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

見ていると少し骨が折れるので、直してください.
#!/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スクリプトを実行します.
この手順は、いくつかのビジネス機密に関連するものではありません.Pythonスクリプトがあるディレクトリの下で、Shellスクリプトを実行すればいいです.
三.問題にぶつかる
3.1 “Argument list too long”.
あるディレクトリのファイルの移動、コピー、削除操作を実行すると、コマンドの実行に失敗した「Argument list too long」というメッセージが表示されます.このディレクトリのファイル数は30万を超え、操作コマンドは以下の通りです.
cp * ~/gysl_test

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

ソリューション:
for file in `ls`;do cp $file ~/gysl_test/;done

rm,mvも同様で,忙しくて他の解決策を検討し続けなかった.
3.2デュアルforサイクルの実行効率が低すぎます.
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

このコマンドを使ってこれらのファイルをコピーすれば、この日は過ぎ去るかもしれません.これは間違いなく不適切で,改善しなければならない.findも簡潔ではなく、その後最適化された.
3.3 Pythonシングルスレッドの実行効率が低すぎます.
Pythonスクリプトはマルチスレッドを使用して処理されます.でもたくさん解釈して、皆さん許してください^^;
四.まとめ
4.1全体的に今日これらのデータを処理するのはとても力があって、5000秒も差がなくて完成しました.私はコマンドを書いて動的に観察した.
4.2正規表現はいつでも使えます.特殊なタスクとPythonマルチスレッドを処理するか、grepコマンドをshellコマンドに直接書くととっくに終わっているかもしれません.
4.3マルチスレッド.bash shellのマルチスレッドはまだ使えないので、後で勉強しなければなりません.
4.4こんなにたくさん書いたのに、足りないところは皆さんに教えてもらいたい.