separate parsing of ssj and kres (mem management)
This commit is contained in:
parent
00d9192993
commit
bcc64c767c
|
@ -9,11 +9,13 @@ import sys
|
||||||
from multiprocessing import Pool
|
from multiprocessing import Pool
|
||||||
import time
|
import time
|
||||||
|
|
||||||
|
CORPORA = ["kres", "ssj"]
|
||||||
|
|
||||||
# logging.basicConfig(filename=Path("/var/tmp/corpusparser.log"), filemode='a', level=logging.INFO)
|
# logging.basicConfig(filename=Path("/var/tmp/corpusparser.log"), filemode='a', level=logging.INFO)
|
||||||
logger = logging.getLogger(__name__)
|
logger = logging.getLogger(__name__)
|
||||||
|
|
||||||
# lfh = logging.FileHandler("/var/tmp/fill-database.log")
|
lfh = logging.FileHandler("/project/logs/fill-database.log")
|
||||||
lfh = logging.StreamHandler(sys.stdout)
|
# lfh = logging.StreamHandler(sys.stdout)
|
||||||
formatter = logging.Formatter("%(asctime)s %(levelname)s %(message)s")
|
formatter = logging.Formatter("%(asctime)s %(levelname)s %(message)s")
|
||||||
lfh.setFormatter(formatter)
|
lfh.setFormatter(formatter)
|
||||||
logger.addHandler(lfh)
|
logger.addHandler(lfh)
|
||||||
|
@ -100,31 +102,12 @@ def _get_dbclient(args):
|
||||||
return dbclient
|
return dbclient
|
||||||
|
|
||||||
|
|
||||||
# wrap it in a function for better garbage collection
|
|
||||||
def parse_ssj(args):
|
|
||||||
logger.info("Parsing Ssj: {}".format(args.ssj_file))
|
|
||||||
ssj_parser = Parser(logger=logger, corpus="ssj")
|
|
||||||
ssj_data = ssj_parser.parse_xml_file(Path(args.ssj_file))
|
|
||||||
if args.output == "file":
|
|
||||||
ssj_outfile = outdir / "ssj500k.json"
|
|
||||||
with ssj_outfile.open("w") as fp:
|
|
||||||
json.dump(ssj_data, fp)
|
|
||||||
elif args.output == "db":
|
|
||||||
dbclient = _get_dbclient(args)
|
|
||||||
valdb = dbclient.valdb
|
|
||||||
ssj_col = valdb["ssj"]
|
|
||||||
for sentence in ssj_data:
|
|
||||||
sentence = _db_preprocess(sentence)
|
|
||||||
ssj_col.update({"sid": sentence["sid"]}, sentence, upsert=True)
|
|
||||||
del ssj_parser
|
|
||||||
del ssj_data
|
|
||||||
|
|
||||||
|
|
||||||
if __name__ == "__main__":
|
if __name__ == "__main__":
|
||||||
parser = argparse.ArgumentParser(description="Parsing corpora kres and ssj500k.")
|
parser = argparse.ArgumentParser(description="Parsing corpora kres and ssj500k.")
|
||||||
parser.add_argument('--kres-folder', required=True)
|
parser.add_argument('--corpus', required=True)
|
||||||
parser.add_argument('--kres-srl-folder', required=True)
|
parser.add_argument('--kres-folder', required=False)
|
||||||
parser.add_argument('--ssj-file', required=True)
|
parser.add_argument('--kres-srl-folder', required=False)
|
||||||
|
parser.add_argument('--ssj-file', required=False)
|
||||||
parser.add_argument('--output', required=False, default=None)
|
parser.add_argument('--output', required=False, default=None)
|
||||||
parser.add_argument('--outdir', required=False, default=None)
|
parser.add_argument('--outdir', required=False, default=None)
|
||||||
parser.add_argument('--dbaddr', required=False, default=None)
|
parser.add_argument('--dbaddr', required=False, default=None)
|
||||||
|
@ -133,39 +116,55 @@ if __name__ == "__main__":
|
||||||
parser.add_argument('--cores', required=False, default=1)
|
parser.add_argument('--cores', required=False, default=1)
|
||||||
args = parser.parse_args()
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
|
||||||
|
corpus = args.corpus
|
||||||
|
assert (corpus in CORPORA), "Wrong corpus name."
|
||||||
|
|
||||||
|
|
||||||
outdir = None
|
outdir = None
|
||||||
if args.output == "file":
|
if args.output == "file":
|
||||||
outdir = Path(args.outdir)
|
outdir = Path(args.outdir)
|
||||||
outdir.mkdir(parents=True, exist_ok=True)
|
outdir.mkdir(parents=True, exist_ok=True)
|
||||||
elif args.output == "db":
|
elif args.output == "db":
|
||||||
# Force unique sid
|
|
||||||
dbclient = _get_dbclient(args)
|
dbclient = _get_dbclient(args)
|
||||||
for corpus in ["kres", "ssj"]:
|
dbclient.valdb[corpus].ensure_index([("sid", pymongo.ASCENDING)])
|
||||||
dbclient.valdb[corpus].ensure_index([("sid", pymongo.ASCENDING)])
|
dbclient.valdb[corpus].ensure_index([("headwords", pymongo.ASCENDING)])
|
||||||
dbclient.valdb[corpus].ensure_index([("headwords", pymongo.ASCENDING)])
|
dbclient.valdb[corpus].ensure_index([("functors", pymongo.ASCENDING)])
|
||||||
dbclient.valdb[corpus].ensure_index([("functors", pymongo.ASCENDING)])
|
|
||||||
|
|
||||||
|
|
||||||
# SSJ
|
if corpus == "ssj":
|
||||||
p = Pool(1)
|
logger.info("Parsing Ssj: {}".format(args.ssj_file))
|
||||||
p.map(parse_ssj, [args])
|
ssj_parser = Parser(logger=logger, corpus="ssj")
|
||||||
|
ssj_data = ssj_parser.parse_xml_file(Path(args.ssj_file))
|
||||||
|
if args.output == "file":
|
||||||
|
ssj_outfile = outdir / "ssj500k.json"
|
||||||
|
with ssj_outfile.open("w") as fp:
|
||||||
|
json.dump(ssj_data, fp)
|
||||||
|
elif args.output == "db":
|
||||||
|
dbclient = _get_dbclient(args)
|
||||||
|
valdb = dbclient.valdb
|
||||||
|
ssj_col = valdb["ssj"]
|
||||||
|
for sentence in ssj_data:
|
||||||
|
sentence = _db_preprocess(sentence)
|
||||||
|
ssj_col.update({"sid": sentence["sid"]}, sentence, upsert=True)
|
||||||
|
|
||||||
time.sleep(30)
|
|
||||||
|
|
||||||
# Kres
|
if corpus == "kres":
|
||||||
logger.info("Parsing Kres: {}".format(args.kres_folder))
|
# Kres
|
||||||
kres_parser = Parser(
|
logger.info("Parsing Kres: {}".format(args.kres_folder))
|
||||||
logger=logger,
|
kres_parser = Parser(
|
||||||
corpus="kres",
|
logger=logger,
|
||||||
kres_srl_folder=args.kres_srl_folder
|
corpus="kres",
|
||||||
)
|
kres_srl_folder=args.kres_srl_folder
|
||||||
|
)
|
||||||
|
|
||||||
# [(idx, filepath)]
|
# [(idx, filepath)]
|
||||||
kres_files = [x for x in Path(args.kres_folder).iterdir()]
|
kres_files = [x for x in Path(args.kres_folder).iterdir()]
|
||||||
kres_files = [x for x in enumerate(kres_files)]
|
kres_files = [x for x in enumerate(kres_files)]
|
||||||
n_kres_files = len(kres_files)
|
n_kres_files = len(kres_files)
|
||||||
|
|
||||||
|
p = Pool(int(args.cores))
|
||||||
|
p.map(_handle_kres_file_tpl, kres_files)
|
||||||
|
|
||||||
p = Pool(int(args.cores))
|
|
||||||
p.map(_handle_kres_file_tpl, kres_files)
|
|
||||||
|
|
||||||
logger.info("Finished parsing.")
|
logger.info("Finished parsing.")
|
||||||
|
|
Loading…
Reference in New Issue
Block a user