С Haskell, как мне обрабатывать большие объемы XML?

Question

Я изучал дампы данных Stack Overflow и до сих пор использовал дружественный XML и «синтаксический анализ» с регулярными выражениями. Мои попытки с различными библиотеками XML на Haskell найти первый пост в порядке следования документов конкретным пользователем потерпели неудачу.

TagSoup

import Control.Monad
import Text.HTML.TagSoup

userid = "83805"

main = do
  posts <- liftM parseTags (readFile "posts.xml")
  print $ head $ map (fromAttrib "Id") $
                 filter (~== ("<row OwnerUserId=" ++ userid ++ ">"))
                 posts

HXT

import Text.XML.HXT.Arrow
import Text.XML.HXT.XPath

userid = "83805"

main = do
  runX $ readDoc "posts.xml" >>> posts >>> arr head
  where
    readDoc = readDocument [ (a_tagsoup, v_1)
                           , (a_parse_xml, v_1)
                           , (a_remove_whitespace, v_1)
                           , (a_issue_warnings, v_0)
                           , (a_trace, v_1)
                           ]

posts :: ArrowXml a => a XmlTree String
posts = getXPathTrees byUserId >>>
        getAttrValue "Id"
  where byUserId = "/posts/row/@OwnerUserId='" ++ userid ++ "'"

XML

import Control.Monad
import Control.Monad.Error
import Control.Monad.Trans.Maybe
import Data.Either
import Data.Maybe
import Text.XML.Light

userid = "83805"

main = do
  [posts,votes] <- forM ["posts", "votes"] $
    liftM parseXML . readFile . (++ ".xml")
  let ps = elemNamed "posts" posts
  putStrLn $ maybe "<not present>" show
           $ filterElement (byUser userid) ps

elemNamed :: String -> [Content] -> Element
elemNamed name = head . filter ((==name).qName.elName) . onlyElems

byUser :: String -> Element -> Bool
byUser id e = maybe False (==id) (findAttr creator e)
  where creator = QName "OwnerUserId" Nothing Nothing

Где я ошибся? Как правильно обрабатывать здоровенные XML-документы с помощью Haskell?

Answer 1

Я заметил, что вы делаете String IO во всех этих случаях. Вы обязательно должны использовать либо Data.Text, либо Data.Bytestring (.Lazy), если вы хотите эффективно обрабатывать большие объемы текста, например String == [Char], что является неподходящим представлением для очень больших плоских файлов.

Это означает, что вам необходимо использовать библиотеку Haskell XML, которая поддерживает строки байтов. Несколько десятков библиотек xml находятся здесь: http://hackage.haskell.org/packages/archive/pkg-list.html#cat:xml

Я не уверен, какие строки поддержки поддерживаются, но это условие, которое вы ищете.

Answer 2

Ниже приведен пример, который использует hexpat :

{-# LANGUAGE PatternGuards #-}

module Main where

import Text.XML.Expat.SAX

import qualified Data.ByteString.Lazy as B

userid = "83805"

main :: IO ()
main = B.readFile "posts.xml" >>= print . earliest
  where earliest :: B.ByteString -> SAXEvent String String
        earliest = head . filter (ownedBy userid) . parse opts
        opts = ParserOptions Nothing Nothing

ownedBy :: String -> SAXEvent String String -> Bool
ownedBy uid (StartElement "row" as)
  | Just ouid <- lookup "OwnerUserId" as = ouid == uid
  | otherwise = False
ownedBy _ _ = False

Определение ownedBy немного неуклюже. Может быть, шаблон просмотра вместо:

{-# LANGUAGE ViewPatterns #-}

module Main where

import Text.XML.Expat.SAX

import qualified Data.ByteString.Lazy as B

userid = "83805"

main :: IO ()
main = B.readFile "posts.xml" >>= print . earliest
  where earliest :: B.ByteString -> SAXEvent String String
        earliest = head . filter (ownedBy userid) . parse opts
        opts = ParserOptions Nothing Nothing

ownedBy :: String -> SAXEvent String String -> Bool
ownedBy uid (ownerUserId -> Just ouid) = uid == ouid
ownedBy _ _ = False

ownerUserId :: SAXEvent String String -> Maybe String
ownerUserId (StartElement "row" as) = lookup "OwnerUserId" as
ownerUserId _ = Nothing

Answer 3

Вы можете попробовать мою fast-tagsoup библиотеку. Это простая замена tagoup и анализирование со скоростью 20-200 МБ / с.

Проблема с пакетом tagsoup заключается в том, что он работает со String внутри, даже если вы используете интерфейс Text или ByteString. fast-tagsoup работает со строгими строками ByteStrings, используя высокопроизводительный низкоуровневый синтаксический анализ, при этом возвращая список ленивых тегов в качестве вывода.

Answer 4

TagSoup поддерживает ByteString через свой класс Text.StringLike. Единственными изменениями, необходимыми для вашего примера, было вызвать readFile ByteString.Lazy и добавить fromString к fromAttrib:

import Text.StringLike
import qualified Data.ByteString.Lazy as BSL
import qualified Data.ByteString.Char8 as BSC

userid = "83805"
file = "blah//posts.xml"
main = do
posts <- liftM parseTags (BSL.readFile file)
print $ head $ map (fromAttrib (fromString "Id")) $
               filter (~== ("<row OwnerUserId=" ++ userid ++ ">"))
               posts  

Ваш пример побежал за мной (4 гигабайта оперативной памяти), заняв 6 минут; версия ByteString заняла 10 минут.

Answer 5

У меня была похожая проблема (с использованием HXT) - я избежал проблемы с памятью, используя парсер Expat с HXT . В 5-мегабайтном XML-файле достаточно просто прочитать документ и распечатать его: пиковое потребление памяти возросло с 2 гигабайт до примерно 180 мегабайт, а время выполнения было намного короче (не измерялось).

Answer 6

Возможно, вам нужен ленивый анализатор XML: ваше использование выглядит как довольно простое сканирование входных данных. HaXml имеет ленивый анализатор, хотя вы должны явно запросить его, импортировав правильный модуль.