最近我在维基百科上完成了一些数据挖掘方面的任务。它由这些部分组成: 解析enwiki-pages-articles.xml的维基百科转储; 把类别和页存储到MongoDB里面; 对类别名称进行重新分门别类。 我对CPython 2.7.3和PyPy 2b的实际任务性能进行了测试。我使用的库是: redis 2.7.2 pymongo 2.4.2 此外CPython是由以下库支持的: hiredis pymongo c-extensions 测试主要包含数据库解析,所以我没预料到会从PyPy得到多大好处(何况CPython的数据库驱动是C写的)。 下面我会描述一些有趣的结果。 抽取维基页名 我需要在所有维基百科的类别中建立维基页名到page.id的联接并存储重新分配好的它们。最简单的解决方案应该是导入enwiki-page.sql(定义了一个RDB表)到MySQL里面,然后传输数据、进行重分配。但我不想增加MySQL需求(有骨气!XD)所以我用纯Python写了一个简单的SQL插入语句解析器,然后直接从enwiki-page.sql导入数据,进行重分配。 这个任务对CPU依赖更大,所以我再次看好PyPy。 / time PyPy 169.00s 用户态 8.52s 系统态 90% CPU CPython 1287.13s 用户态 8.10s 系统态 96% CPU 我也给page.id->类别做了类似的联接(我笔记本的内存太小了,不能保存供我测试的信息了)。 从enwiki.xml中筛选类别 为了方便工作,我需要从enwiki-pages-articles.xml中过滤类别,并将它们存储相同的XML格式的类别。因此我选用了SAX解析器,在PyPy和CPython中都适用的包装器解析。对外的原生编译包(同事在PyPy和CPython 中) 。 代码非常简单:
Element和TextElement元素包换tag和body信息,同时提供了一个方法来渲染它。 下面是我想要的PyPy和CPython比较结果。 / time PyPy 2169.90s CPython 4494.69s 我很对PyPy的结果很吃惊。 计算有趣的类别集合 我曾经想要计算一个有趣的类别集合——在我的一个应用背景下,以Computing类别衍生的一些类别为开始进行计算。为此我需要构建一个提供类的类图——子类关系图。 结构类——子类关系图 这个任务使用MongoDB作为数据来源,并对结构进行重新分配。算法是:
抱歉写这样的伪码,但我想这样看起来更加紧凑些。 所以说这个任务仅把数据从一个数据库拷贝到另一个。这里的结果是MongoDB预热完毕后得出的(不预热的话数据会有偏差——这个Python任务只耗费约10%的CPU)。计时如下: / time PyPy 175.11s 用户态 66.11s 系统态 64% CPU CPython 457.92s 用户态 72.86s 系统态 81% CPU 遍历redis_tree(再分配过的树) 如果我们有redis_tree数据库,仅剩的问题就是遍历Computing类别下所有可实现的结点了。为避免循环遍历,我们需要记录已访问过的结点。自从我想测试Python的数据库性能,我就用再分配集合列来解决这个问题。 / time PyPy 14.79s 用户态 6.22s 系统态 69% CPU 30.322 总计 CPython 44.20s 用户态 13.86s 系统态 71% CPU 1:20.91 总计 说实话,这个任务也需要构建一些tabu list(禁止列表)——来避免进入不需要的类别。但那不是本文的重点。 结论 进行的测试仅仅是我最终工作的一个简介。它需要一个知识体系,一个我从抽取维基百科中适当的内容中得到的知识体系。 PyPy相比CPython,在我这个简单的数据库操作中,提高了2-3倍的性能。(我这里没有算上SQL解析器,大约8倍) 多亏了PyPy,我的工作更加愉悦了——我没有改写算法就使Python有了效率,而且PyPy没有像CPython一样把我的CPU弄挂了,以至于一段时间内我没法正常的使用我的笔记本了(看看CPU时间占的百分比吧)。 任务几乎都是数据库操作,而CPython有一些加速的乱七八糟的C语言模块。PyPy不使用这些,但结果却更快! 我的全部工作需要大量的周期,所以我真高兴能用PyPy。 |
|