xml - 从大型 Clojure 树结构中的惰性序列中删除元素，避免头部保留

Question

问题描述

对于在 Clojure 中处理大型数据结构，惰性序列提供了一种很好的惯用方法。需要小心避免头部不过，保留。

我很难像这样处理大型树结构:

                 R                                         Root
       __________|____________________
       A                   B         C, D, E, ...          1st Level Children
_______|_______     _______|_______
X Y Y ... Y X Y     X Y Y ... Y X Y                        2nd Level Children

• 所有节点都是带有键 :content 的映射。任何 :content 的值都是一个惰性序列，其中包含该节点的所有子节点。
• 整棵树不适合内存。第 2 层的 Y 项目太多。
• 不包括 Y 项的整个树都适合内存。

处理完这棵树后，我想得到一棵新树，其中所有 Y 节点都被删除了:

           R
     ______|__________________
     A             B         C, D, E, ...
_____|___     _____|___
X X ... X     X X ... X

示例代码和进一步解释

;; Generating example data
;;;;;;;;;;;;;;;;;;;;;;;;;;

(defn root [content]
  {:tag :root :content content})

(defn lazy-elements [n tag content]
  (lazy-seq (repeat n {:tag tag :content content})))

(defn level-1 [content]
  (lazy-elements 3 :A content))

(defn level-2 [n]
  (concat (lazy-elements 10 :X '(:leaf))
          (lazy-elements n :Y '(:leaf))))

(defn remove-nodes [node]
  (remove #(= (:tag %) :Y) node))


;; Illustrating usage
;;;;;;;;;;;;;;;;;;;;;

;; runs and runs and runs... and eventually returns correctly
(defn valid-run []
  (->> (root (level-1 (level-2 1e8)))
       :content
       first
       :content
       remove-nodes))

;; Does not terminate properly, runs out of memory
(defn invalid-run []
  (->> (root (level-1 (level-2 1e8)))
       :content
       (map :content)       ; source of head retention
       (map remove-nodes)))

( Gist available on GitHub )

第二个示例会崩溃(根据可用内存，可能需要调整 2 级项目的数量)。映射在:content 所有级别 1 的项目都引入了一个引用，这会在循环遍历所有内容项目时导致头部保留问题删除不需要的 :Y 项。

我能够使用来自 valid-run 之类的数据，将其放入一个保持可变状态的 var 中，对所有相关节点执行此操作然后再次将所有数据拼接在一起。但我对这种方法非常不满意，因为它必须依赖于可变性最后必须使用一些非常命令式的代码来合并数据(例如，遍历列表的索引)。

问题

如何以功能性、声明性的方式实现这一点？理想情况下，我希望避免使用可变状态以及过于迫切(例如，使用索引等将集合拼接在一起)。

资源

以下文章和片段是关于该问题各个方面的有趣读物:

• XML manipulation in Clojure
• Rich Hickey on incidental complexity of head retention
• Related Clojure documentation
• Head retention funkiness in a nutshell

更多背景

最终我需要它来处理大型 XML 文件。大意味着 >1GB 并且将其解析为树将不适用于可用的内存。我想从那个 XML 中将一些元素放入桶 A(假设是一个数据库表)，并将所有其余的 XML 树放入桶中B. 提取出来的子树当然要保留XML结构。

除了将 XML 解析成树，我还可以将 XML 作为事件流处理，例如通过 data.xml/source-seq .然而，这意味着失去 XML 树语义。会工作，但不漂亮。但也许还有其他方法可以处理首先是 XML。

Answer 1

问题是您的 level-2 节点都有指向同一个内存中惰性序列的指针，然后您多次映射该序列。如果你只是让 valid-run 处理第一个和第二个节点，你会遇到同样的问题 - 节点的数量并不重要，因为你用任何两个节点来破坏堆。在实际应用程序中，您从数据库或文件或其他任何地方读取这些节点，它们将指向不同的对象，您可以依次延迟处理这些对象。

如果您生成更具代表性的示例数据(即，相同的数据但没有结构共享)，您可以在处理它时对每个节点进行 GC:

(defn root' [content]
  (fn []
    {:tag :root :content (content)}))

(defn lazy-elements' [n tag content]
  (repeatedly n (fn [] {:tag tag :content (content)})))

(defn level-1' [content]
  (fn []
    (lazy-elements' 3 :A content)))

(defn level-2' [n]
  (fn []
    (concat (lazy-elements' 10 :X (fn [] '(:leaf)))
            (lazy-elements' n :Y (fn [] '(:leaf))))))

(defn remove-nodes [node]
  (remove #(= (:tag %) :Y) node))

(defn run []
  (let [root-builder (root' (level-1' (level-2' 1e8)))]
    (->> (root-builder)
         :content
         (map :content)       
         (map remove-nodes))))

user> (pprint (run))
(({:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)})
 ({:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)})
 ({:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}
  {:tag :X, :content (:leaf)}))

由于我们只是生成示例内容，我已经调整了所有节点构建器，而不是他们应该存储 N 个副本的对象，而是他们应该调用 N 次以获得 N 个不同对象的函数。它们不是返回一个节点，而是返回一个函数，该函数在被调用时会生成该节点的副本；这使它们可以像您的原始版本一样好地组合，只需要在外层调用一个额外的函数。如果您实际上已经有了不同的对象，就像我怀疑您在实际应用程序中会有的那样，您可以只使用编写的原始函数。