推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 1005 天前的主题，其中的信息可能已经有所发展或是发生改变。
我不是专业做技术的，因此会有很多技术盲区，碰到棘手问题也不知如何自行寻找解决方案，因此提问，感谢诸位。
需求背景是这样的：
在数百万的网页 html 源代码里面，寻找出包含某个特定字符串（或匹配某条正则）的网页，输出其 URL 信息。
由于是数据分析用途，需要很频繁的为了突发的需求而多次运行。
目前的解决方案是这样的：
数据存在 MongoDB 里面（ zstd 压缩），匹配的时候使用 Python 直接遍历出所有网页，再通过 Python 内置的方法（ in 条件或者 re ）来进行判断。
如果仅使用 in 条件，目前每秒平均能匹配 4000 多个网页，百万的网页全部运行一次需要十多分钟，比较费力。此外，已经配置了阿里云 ECS 的对应容量下可选的最高速度的 SSD 。
尝试过的其它方案有：
使用 ElasticSearch 来建立全文索引。但发现在占用了大量额外硬盘空间的代价下，需要全量导出匹配结果时候的效率仍然很低下，或许是 ES 仅在匹配 top n 结果的时候才是高效的？又或只是我哪里没做对？
也尝试过 MongoDB 取消压缩，发现速度变更慢了，或许瓶颈是在硬盘 IO 不是在 CPU 上面？
 |
1
TimePPT 2021-07-15 17:08:17 +08:00
试试 flashtext ?
https://github.com/vi3k6i5/flashtext |
 |
2
Rush9999 2021-07-15 17:13:03 +08:00
es 全量导出用 scroll-api
https://www.elastic.co/guide/en/elasticsearch/reference/7.13/scroll-api.html |
 |
3
est 2021-07-15 17:13:31 +08:00
> 或许瓶颈是在硬盘 IO 不是在 CPU 上面？
也有可能在网络传输上。你还是把百万网页都做成一个大 txt 然后 grep 算了。 |
 |
4
guyueyiren 2021-07-15 17:34:55 +08:00
放到 linux 下用 grep 去正则匹配？
|
 |
5
wzq001 2021-07-15 17:35:18 +08:00
1 、将每个 HTML 格式压缩为一行，每行标记 html 路径 >> 到 big.txt
2 、 |
|
6
wzq001 2021-07-15 17:36:06 +08:00
1 、将每个 HTML 格式压缩为一行，每行标记 html 路径 >> 到 big.txt
2 、grep 搞定 赞同#3 观点 |
 |
7
GrayXu 2021-07-15 17:57:13 +08:00
in 的速度不快吧。。可以用 grep 试试
这个场景…mapreduce 启动！ |
 |
8
CSM 2021-07-15 18:31:20 +08:00 via Android  1
用 ripgrep
|
 |
9
ClericPy 2021-07-15 18:39:08 +08:00
本来以为在说 AC 自动机处理敏感词什么的, 点进来感觉又有点不一样...
如果是冷数据, S3 + Hadoop 能搞不 |
 |
11
MrGoooo 2021-07-15 19:07:29 +08:00
数据分组,多线程,甚至多主机(mapreduce)
|
 |
12
liuhan907 2021-07-15 20:53:02 +08:00 via Android
查询是在线的，那数据源更新的频繁程度如何呢？
|
|
14
est 2021-07-15 22:30:03 +08:00
如果上面的 grep 也很慢，先用 xz 把 1.txt 用最大压缩比压缩了。然后 xzgrep
|
 |
15
akira 2021-07-15 23:16:45 +08:00
不需要芒果也不需要 ES，直接拆分成多个文本保存。然后你机器是几个核的，就开几个 PY 进程去跑， 分别输出就可以了
假设平均一个页面的大小是 100kb，一百万个页面 总字符数量大约是 1 亿个, 100MB 左右吧 1 亿个字符做 子字符串查询 的话，理论上 应该能在 1s 内完成 |
 |
16
xy90321 2021-07-16 01:33:53 +08:00 via iPhone
除非你每个网页里面每个词都独一无二，否则自然语言的话应该是拆词，然后根据词来作为索引储存 URL 。
当然如果不是自然语言，或者不是单词查询的话，就得重新考虑策略了。 |
 |
17
xiadong1994 2021-07-16 01:40:04 +08:00 via iPhone
@akira 每个页面 100KB，1M 个文件，总共有 100GB……
|
|
18
xiadong1994 2021-07-16 01:40:47 +08:00 via iPhone
mapreduce 好像就是干这种事情的
|
 |
19
wangxn 2021-07-16 08:56:58 +08:00
+1 。存成一个大文件然后直接 rigrep
rigrep 匹配的速度基本就是 IO 的速度，没有别的更快的方法了 假如需要多次查询，为什么不把结果保存下来？ |
|
20
wangxn 2021-07-16 08:59:41 +08:00
更正：rigrep -> ripgrep
|
 |
21
nicolaz 2021-07-16 09:34:22 +08:00
AC 自动机应该可以吧
好处是如果你有 N 个关键词需要匹配的话, 一次循环就能全部匹配出来 而不需要每个词都跑一遍 |
|
22
wangxn 2021-07-16 09:34:48 +08:00 via Android
认真想想，我上面的说法还是太 naive，肯定有高效的方法。不了解
|
 |
23
mainjzb 2021-07-16 10:37:09 +08:00
为什么大多数的 C++ 的开源库都喜欢自己实现 string ？ - 韦易笑的回答 - 知乎
https://www.zhihu.com/question/54664311/answer/140494146 |
 |
24
love2020 2021-07-16 13:48:44 +08:00
前缀树，一楼的 flashtext 。或者 AC 自动机。
|
 |
25
corningsun 2021-07-16 17:50:03 +08:00
|
Select Language