这是一个将 SAX 解析器计数与基于 DOM 的计数进行比较的示例,<item>
对 7 个类别之一计数 500,000 秒。首先,输出:
创建 XML 文件:1.7s
通过 SAX 计数:12.9s
创建 DOM:1.6s
通过 DOM 计数:2.5s
两种技术都会产生相同的哈希,计算每个类别的数量:
{"Cats"=>71423, "Llamas"=>71290, "Pigs"=>71730, "Sheep"=>71491, "Dogs"=>71331, "Cows"=>71536, "Hogs"=>71199}
SAX 版本需要 12.9 秒来计算和分类,而 DOM 版本只需要 1.6 秒来创建 DOM 元素,并且需要 2.5 秒来查找和分类所有<cat>
值。DOM 版本的速度大约是 3 倍!
……但这还不是全部。我们还必须查看 RAM 使用情况。
- 对于 500,000 个项目,SAX (12.9s) 在 238MB 的 RAM 处达到峰值;DOM (4.1s) 在 1.0GB 时达到峰值。
- 对于 1,000,000 个项目,SAX(25.5 秒)峰值为 243MB 的 RAM;DOM (8.1s) 在 2.0GB 时达到峰值。
- 对于 2,000,000 个项目,SAX (55.1s) 在 250MB RAM 处达到峰值;DOM ( ??? ) 峰值为 3.2GB。
我的机器上有足够的内存来处理 1,000,000 个项目,但在 2,000,000 个项目时,我的 RAM 用完了,不得不开始使用虚拟内存。即使使用 SSD 和快速机器,我也让 DOM 代码运行了将近十分钟,然后才最终杀死它。
您报告的时间很长很可能是因为您的 RAM 用完并且作为虚拟内存的一部分连续访问磁盘。如果您可以将 DOM 放入内存,请使用它,因为它是 FAST。但是,如果你不能,你真的必须使用 SAX 版本。
这是测试代码:
require 'nokogiri'
CATEGORIES = %w[ Cats Dogs Hogs Cows Sheep Pigs Llamas ]
ITEM_COUNT = 500_000
def test!
create_xml
sleep 2; GC.start # Time to read memory before cleaning the slate
test_sax
sleep 2; GC.start # Time to read memory before cleaning the slate
test_dom
end
def time(label)
t1 = Time.now
yield.tap{ puts "%s: %.1fs" % [ label, Time.now-t1 ] }
end
def test_sax
item_counts = time("Count via SAX") do
counter = CategoryCounter.new
# Use parse_file so we can stream data from disk instead of flooding RAM
Nokogiri::HTML::SAX::Parser.new(counter).parse_file('tmp.xml')
counter.category_counts
end
# p item_counts
end
def test_dom
doc = time("Create DOM"){ File.open('tmp.xml','r'){ |f| Nokogiri.XML(f) } }
counts = time("Count via DOM") do
counts = Hash.new(0)
doc.xpath('//cat').each do |cat|
counts[cat.children[0].content] += 1
end
counts
end
# p counts
end
class CategoryCounter < Nokogiri::XML::SAX::Document
attr_reader :category_counts
def initialize
@category_counts = Hash.new(0)
end
def start_element(name,att=nil)
@count = name=='cat'
end
def characters(str)
if @count
@category_counts[str] += 1
@count = false
end
end
end
def create_xml
time("Create XML file") do
File.open('tmp.xml','w') do |f|
f << "<root>
<summarysection><totalcount>10000</totalcount></summarysection>
<items>
#{
ITEM_COUNT.times.map{ |i|
"<item>
<cat>#{CATEGORIES.sample}</cat>
<name>Name #{i}</name>
<name>Value #{i}</name>
</item>"
}.join("\n")
}
</items>
</root>"
end
end
end
test! if __FILE__ == $0
DOM 计数是如何工作的?
如果我们去掉一些测试结构,基于 DOM 的计数器看起来像这样:
# Open the file on disk and pass it to Nokogiri so that it can stream read;
# Better than doc = Nokogiri.XML(IO.read('tmp.xml'))
# which requires us to load a huge string into memory just to parse it
doc = File.open('tmp.xml','r'){ |f| Nokogiri.XML(f) }
# Create a hash with default '0' values for any 'missing' keys
counts = Hash.new(0)
# Find every `<cat>` element in the document (assumes one per <item>)
doc.xpath('//cat').each do |cat|
# Get the child text node's content and use it as the key to the hash
counts[cat.children[0].content] += 1
end
SAX 计数如何工作?
首先,让我们关注这段代码:
class CategoryCounter < Nokogiri::XML::SAX::Document
attr_reader :category_counts
def initialize
@category_counts = Hash.new(0)
end
def start_element(name,att=nil)
@count = name=='cat'
end
def characters(str)
if @count
@category_counts[str] += 1
@count = false
end
end
end
当我们创建这个类的一个新实例时,我们会得到一个对象,该对象的 Hash 对于所有值默认为 0,并且有几个可以在其上调用的方法。SAX 解析器将在文档中运行时调用这些方法。
每次 SAX 解析器看到一个新元素时,它都会调用start_element
这个类的方法。发生这种情况时,我们根据该元素是否命名为“猫”设置一个标志(以便我们稍后可以找到它的名称)。
每次 SAX 解析器抓取一段文本时,它都会调用characters
我们对象的方法。当这种情况发生时,我们检查我们看到的最后一个元素是否是一个类别(即如果@count
被设置为true
);如果是这样,我们使用此文本节点的值作为类别名称并将计数器加一。
要将我们的自定义对象与 Nokogiri 的 SAX 解析器一起使用,我们这样做:
# Create a new instance, with its empty hash
counter = CategoryCounter.new
# Create a new parser that will call methods on our object, and then
# use `parse_file` so that it streams data from disk instead of flooding RAM
Nokogiri::HTML::SAX::Parser.new(counter).parse_file('tmp.xml')
# Once that's done, we can get the hash of category counts back from our object
counts = counter.category_counts
p counts["Pigs"]