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.