- xml - AJAX/Jquery XML 解析
- 具有多重继承的 XML 模式
- .net - 枚举序列化 Json 与 XML
- XML 简单类型、简单内容、复杂类型、复杂内容
我有一个 2.8GB 的非常大的 XML 文件。这是波兰维基百科的文章转储。这个文件的大小对我来说是个大问题。任务是搜索此文件以获取大量数据。我所拥有的只是文章的标题。我想我可以对这些标题进行排序,并在整个文件中使用一个线性循环。想法还不错,但是文章没有按字母顺序排序。它们按 ID 排序,我不知道 a priori。
因此,我的第二个想法是为该文件创建一个索引。以下列格式存储在其他文件(或数据库)行中:title;id;index
(可能没有 ID)。我的另一个问题是我寻求帮助。假设是,如果我有所需标签的索引,我可以只使用简单的 Seek
方法在文件中移动光标,而无需读取所有内容等。对于较小的文件,我认为这可以正常工作。但是在我的电脑(笔记本电脑、C2D proc、Win7、VS2008)上,我收到应用程序没有响应的错误。
在我的程序中,我从文件中读取每一行并检查它是否包含我需要的标记。我也在计算我读取的所有字节并以上述格式保存行。因此,当索引程序挂起时。但到目前为止,结果索引文件为 36.2MB,最后一个索引为 2,872,765,202 (B),而整个 XML 文件的长度为 3,085,439,630 B。
我的第三个想法是将文件拆分成更小的部分。准确地说是 26 个部分(拉丁语有 26 个字母),每个部分仅包含以相同字母开头的条目,例如在 a.xml 中,标题以“A”字母开头的所有条目。最终文件可能有数十 MB,我认为最大约为 200 MB。但是读取整个文件也有同样的问题。
要读取文件,我使用的可能是最快的方法:使用 StreamReader
。我在某处读到,System.Xml
中的 StreamReader
和 XmlReader
类是最快的方法。 StreamReader
比 XmlReader
更快。很明显,我无法将所有这些文件加载到内存中。我只安装了 3GB 的 RAM,而 Win7 满载时大约需要 800MB-1GB。
所以我寻求帮助。做什么最好。关键是搜索这个 XML 文件必须很快。必须比下载 HTML 格式的单个维基百科页面更快。我什至不确定这是否可能。
也许将所有需要的内容加载到数据库中?也许那样会更快?但我仍然需要至少阅读整个文件一次。
我不确定 1 个问题的长度是否有一些限制,但我也会在这里放一个我的索引源代码示例。
while (reading)
{
if (!reader.EndOfStream)
{
line = reader.ReadLine();
fileIndex += enc.GetByteCount(line) + 2; //+2 - to cover characters \r\n not included into line
position = 0;
}
else
{
reading = false;
continue;
}
if (currentArea == Area.nothing) //nothing interesting at the moment
{
//search for position of <title> tag
position = MoveAfter("<title>", line, position); //searches until it finds <title> tag
if (position >= 0) currentArea = Area.title;
else continue;
}
(...)
if (currentArea == Area.text)
{
position = MoveAfter("<text", line, position);
if (position >= 0)
{
long index = fileIndex;
index -= line.Length;
WriteIndex(currentTitle, currentId, index);
currentArea = Area.nothing;
}
else continue;
}
}
reader.Close();
reader.Dispose();
writer.Close();
}
private void WriteIndex(string title, string id, long index)
{
writer.WriteLine(title + ";" + id + ";" + index.ToString());
}
提前致以最诚挚的问候和感谢,
文图斯
编辑:链接到此 Wiki 的转储 http://download.wikimedia.org/plwiki/20100629/
最佳答案
嗯....如果你要搜索它,我强烈建议你找到一个比处理文件本身更好的方法。正如您提到的那样,我建议将其放入规范化和索引良好的数据库中并在那里进行搜索。您所做的任何其他事情都将有效地准确复制数据库的功能。
然而,这样做需要时间。 XmlTextReader可能是你最好的选择,它一次只工作一个节点。 LINQ to XML 也应该是一个相当有效的处理,但我还没有用大文件尝试过,所以不能发表评论。
请问:这个庞大的XML文件是从哪里来的?也许有一种方法可以从源头上处理这种情况,而不是在必须处理一个 3 GB 的文件之前。
关于c# - 在 C# 中处理非常大的 XML 文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/3337953/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!