我有一个包含 4 个字段的 6M 行数据库(sqlite):id(整数)|标题(文本)|文本(文本)|标签(文本)。
现在我需要计算出现在标题中的每个单词的出现次数,并导入到其他表中,例如 word|count 和 tag|word|count。
我的代码在 Python 2.7 中如下所示:
from nltk.tokenize import wordpunct_tokenize
from collections import Counter
import sqlite3
word_count = Counter()
pair_count = Counter()
conn = sqlite3.connect('database')
c = conn.cursor()
for query in c.execute('SELECT Tags, Title FROM data'):
tags = query[0].strip().split()
title = wordpunct_tokenize(query[1])
for word in title:
word_count[word] += 1
for tag in tags:
pair_count[(tag, word)] += 1
...
问题是计数器变得如此之大,以至于我在 1M 行中出现内存错误。我试图每 100K 行重新初始化一次计数器并将计数添加到 db 文件中,但这种方法似乎非常慢,可能是由于标签词对的数量巨大。
...
for query in c.execute('SELECT Tags, Title FROM data'):
i += 1
if i % 100000 == 0:
conn1 = sqlite3.connect('counts.db')
c1 = conn1.cursor()
# update word count
for word in word_count:
c1.execute('SELECT Count FROM word_count WHERE Word=?', (word,))
count = c1.fetchone()
# add to existing count and update
if count:
count = word_count[word] + count[0]
c1.execute('UPDATE word_count SET Count=? WHERE Word=?', (count, word))
# insert new row
else:
c1.execute('INSERT INTO title_word_count VALUES (?,?)', (word, word_count[word]))
# update pair count
for pair in pair_count:
c1.execute('SELECT Count FROM pair_count WHERE Tag=? AND Word=?', pair)
count = c1.fetchone()
if count:
count = pair_count[pair] + count[0]
c1.execute('UPDATE pair_count SET Count=? WHERE Tag=? AND Word=?', (count, pair[0], pair[1]))
else:
c1.execute('INSERT INTO pair_count VALUES (?,?,?)', (pair[0], pair[1], pair_count[pair]))
conn1.commit()
conn1.close()
# reinitiate counters
word_count = Counter()
pair_count = Counter()
...
有没有什么方法可以在不访问多台机器的情况下解决这个问题?也将不胜感激任何有关代码的建议!
编辑:
我试图索引counts.db
并更新每批,但它仍然太慢 - 处理 7 批每批 200000 行需要 10 小时。
我最终遵循了我最初的想法。但是,我不是每 100K 行更新一次计数,而是将它们插入表中,subcounts
尽管可能存在重复Tag, Word
对。
然后INSERT INTO pair_count SELECT Tag, Word, SUM(Count) FROM subcounts GROUP BY Tag, Word;
给了我最后的结果。我总共花了大约3个小时。
我不小心丢弃了遵循@abernert 建议的临时表,但我认为这是可行的。
感谢@Steve 和@abernert 的建议!