查看: 898|回复: 2
打印 上一主题 下一主题

[讨论] 我的维基解析器又要延期了。(对维基有兴趣的也进来聊下)

[复制链接]

该用户从未签到

13

主题

454

回帖

3027

积分

贡士

Rank: 6Rank: 6

积分
3027

灌水大神章

跳转到指定楼层
1
发表于 2013-12-20 15:33:19 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
本帖最后由 惟吾无为 于 2013-12-30 13:47 编辑

我悔悟了, 简单版: https://www.pdawiki.com/forum/thread-11611-1-1.html

-------
之前都是以2012年9月的转储文件做为分析参考的。

月初完成了一个解析器,但是速度很慢。1分钟也不过几个页面,达不到实用的地步。如果不处理模板的话,1分钟可以处理2-5k个页面。一个小时不到就把zhwiki20131120的xml解析完了。

可是如今连中文维基也部署了lua脚本。都有一个专门的名字空间:模块(module)。
调用 {{#invoke| 模块名 |函数名}}就可以在服务器运行那个模块的指定函数。

加之之前的解析器写的不咋样,排个错超级麻烦,所以我打算重写,最好实现维基的lua运行环境。

这是第二次延期了,所以专门开个帖说下。

大家也可以说下你们的期望下限,说下满足哪些功能就够了。到时我好优先处理。
意见收集日期截至1月1日。到时我说不定就回家了。家里没网的。

评分

1

查看全部评分

该用户从未签到

13

主题

454

回帖

3027

积分

贡士

Rank: 6Rank: 6

积分
3027

灌水大神章

2
 楼主| 发表于 2013-12-20 15:45:34 | 只看该作者
本帖最后由 惟吾无为 于 2013-12-30 18:56 编辑

一些细节或者备注。有人可能希望知道。
1. 1小时解析转储。
* 处理解压后的单个xml文件. 大小好像是4196M
* lua只能使用单核, 我的cpu 1.6 GHz. 你们的高些会快些.
* 内存使用近1G, 峰值可能1.3G. 我的总内存3.5G. 可用3G. 你们的内存应该够吧?
* 处理了 各种列表(\n[*#:; =-]), 链接, 粗斜体, 表格,
* 模板未处理, 公式未处理. 引用未处理, 分类未处理.
* 没有字词转换. 所以还是繁简混合的.

2. 数学公式 (update@20131223)
我打算先写出个简单的解析器. 只要支持基本格式就够了. 并针对enwiki做下优化.
* 调用texvc渲染公式为png.
* 公式预处理: 替换连续的空白字符([ \t\n]+)为单个空格( ). 并去掉前导空格. 后缀不处理.
* 可以读取转储文件或公式列表, 生成公式的md5值对照表(hashfile)及其图片.
* 解析器需要先缓存 公式md5对照表(hashfile) 才能生成图片链接.
* 未缓存的公式会临时解析, 失败的直接丢弃. 不会导致解析中断.
* 目前公式转换器仅使用单核. 我的电脑转换7.3w个公式为图片花了近2个小时.
* 12.24测试使用多核(我的4核). 结果如下. 99.88% | time: 39m04s,     3s | formula ok:  85036 error:  109 dup:38661(根据我的预处理方式发现的重复公式)
     实际生成图片73110(我暂时没办法实现texvc的预处理过程, 所以重复的有85036-73110个).
     这个使用多核是通过连续创建 逻辑cpu个数*2 的进程来实现的. 我的lua脚本还是单核的. 依次读取那些进程的输出(会等待进程结束), 所以花费的时间大于半小时.
* 12.24-17:00 优化了下, 好像之前的有些重复公式没找到. 100.03% | time: 33m50s,     0s | formula write:  75392 error: 104 dup:  48309
     当然, 前面的100.03%. 就无视了吧...

3. 多文件支持(update@20131228)
之前的脚本不支持多文件. 这几天总算在原有的基础上加入多文件支持了.
今天测试了enwiki的数学公式. 结果tmpfs连续两次因为inode用尽而"空间不足". 这次才终于发现不是因为内存用尽... 惭愧. 今天一天算是浪费了...
enwiki 公式转图片的进度 72.91% | time:  2h15m, 50m09s | formula write: 219013 error: 243 dup: 125078
我现在又重新开始转了. 又要重复读一遍所有的xml文件... 估计又得一个半小时才能完成...

解析器也加入多文件支持了. 严格按照参数所给的文件顺序读取. 用户可自行调整文件顺序.
解析器仍是单线程的, 但可开多个进程, 各自解析不同的xml.

我这几天也写好了xml分割脚本和文本合并脚本.

4. 危机(update@20131229)
1. lua默认不支持大文件. 大于2G的没法正常操作. 我的lua是自己编译的, 开启了大文件支持...
2. 还有dofile时的路径转换也没考虑到windows...文件打开时没加b标记. 也可能有问题... 我会尽量照顾下windows用户的.

5. 新的希望(update@20131230)
经过4个小时的努力, 终于在18:20编译出了支持大文件读写的windows版lua.

...
  • TA的每日心情
    开心
    2022-11-10 09:48
  • 签到天数: 466 天

    [LV.9]以坛为家II

    0

    主题

    1594

    回帖

    9294

    积分

    进士

    Rank: 8Rank: 8

    积分
    9294

    灌水大神章

    QQ
    3
    发表于 2013-12-22 21:20:22 | 只看该作者
    我对这些不太懂,有需求的说说建议啊!