Comments 14
Если узел сам имеет разветвленную структуру, то стоимость клонирования будет возрастать. Думаю, именно поэтому предлагают удалять.
Просто наиогромнейшее спасибо! Вы только что спасли меня от нескольких предстоящих мне недель мучений и написания тысяч строк кода.
Пишу сейчас на си код который очишает html страницы от всего лишнего, оставляя только лишь главный смысл (аналог Safari Reader — tagmac.ru/other/safari-5-reader-tolko-tekst-1185), так вот у меня используется огромное количество xpath запросов. На код угрохал примерно 3 недели и вот в итоге получилось что обработка того же топика на хабре занимает до 15 секунд, что конечно не приемлимо. Последнию неделю я оптимизировал код — распараллелил все что можно, включая циклы, оптимизировал код, пару узких мест переписал на ассемблере и всеравно не получилось обрабатывать быстрее, чем за секунд 10, профайлер показывал что практически все время уходит на эти запросы.
И вот чудо, случайно на глаза попадается этот топик (хотя я даже не интересуюсь java), тажа самая ситуация. Написал только что одну строчку кода в основном цикле для удаления parent — обработка теперь мгновенная, менее секунды :) А ведь я уже собирался писать свой специализированный парсер и потратить на это еще месяц.
Пишу сейчас на си код который очишает html страницы от всего лишнего, оставляя только лишь главный смысл (аналог Safari Reader — tagmac.ru/other/safari-5-reader-tolko-tekst-1185), так вот у меня используется огромное количество xpath запросов. На код угрохал примерно 3 недели и вот в итоге получилось что обработка того же топика на хабре занимает до 15 секунд, что конечно не приемлимо. Последнию неделю я оптимизировал код — распараллелил все что можно, включая циклы, оптимизировал код, пару узких мест переписал на ассемблере и всеравно не получилось обрабатывать быстрее, чем за секунд 10, профайлер показывал что практически все время уходит на эти запросы.
И вот чудо, случайно на глаза попадается этот топик (хотя я даже не интересуюсь java), тажа самая ситуация. Написал только что одну строчку кода в основном цикле для удаления parent — обработка теперь мгновенная, менее секунды :) А ведь я уже собирался писать свой специализированный парсер и потратить на это еще месяц.
Рад, что так =)
Может быть вам стоило использовать XSLT вместо «огромного количества xpath запросов»?
Возможно, я никогда не сталкивался до этого с более-менее серьезной необходимостью работать с html/xml и плохо представляю какие технологии вообше имеются в наличии. Я и про xpath месяц назад не подозревал.
Сейчас почитал бегло про этот XSLT на вики и если честно не очень понимаю как мне это может помочь, это язык преобразования XML-документов, на что он мне?
Сейчас почитал бегло про этот XSLT на вики и если честно не очень понимаю как мне это может помочь, это язык преобразования XML-документов, на что он мне?
По-моему к Вашей задаче лучше бы подошел потоковый стиль обработки документа, например что-то типа SAX ru.wikipedia.org/wiki/SAX.
Да, про SAX-парсер я знаю, собственно до этого только с ним и сталкивался, но мне показалось что это получится более сложным архитектурным-решением. Я также знал что можно предварительно составив все дерево документа (DOM) и бегать по нему как угодно, попутно изменяя и удаляя элементы, чтение доков как раз и подсказало мне что можно не просто бегать в циклах, а составлять целые универсальные запросы с помошью xpath что еще сильнее упростило задачу.
Вообше я сейчас понял что имел ввиду ComodoHacker, но только это никак не относится к моей задаче. Суть в чем — есть какой угодно документ с любого сайта в мире, нужно определить что в нем является главной смысловой нагрузкой и оставить только это. Поэтому никакой XSLT тут не подойдет, как минимум у меня на входе что угодно, как максимум я еще не знаю что в документе нужно оставить. Для этого подсчитывается по куче разных правил веса каждой ноды (например сколько в ней <p> блоков, сколько картинок с размером от 100px и т.п.), потом слабые удаляются, сильные остаются, процесс может повторяться, в процессе какие-то ноды могут удаляться опять же в зависимости от их веса. На SAX такое реализовать как-то сложнее, все же проше DOM + свой спеициализированный аналог xpath который я думал написать, а теперь уже и не нужно.
Вообше я сейчас понял что имел ввиду ComodoHacker, но только это никак не относится к моей задаче. Суть в чем — есть какой угодно документ с любого сайта в мире, нужно определить что в нем является главной смысловой нагрузкой и оставить только это. Поэтому никакой XSLT тут не подойдет, как минимум у меня на входе что угодно, как максимум я еще не знаю что в документе нужно оставить. Для этого подсчитывается по куче разных правил веса каждой ноды (например сколько в ней <p> блоков, сколько картинок с размером от 100px и т.п.), потом слабые удаляются, сильные остаются, процесс может повторяться, в процессе какие-то ноды могут удаляться опять же в зависимости от их веса. На SAX такое реализовать как-то сложнее, все же проше DOM + свой спеициализированный аналог xpath который я думал написать, а теперь уже и не нужно.
Да, пожалуй в вашем случае XSLT не подойдет.
Хотя, подсчет разных метрик вроде «сколько <p> блоков», «сколько картинок» и т.п. с помощью XSLT тоже возможен. :)
Хотя, подсчет разных метрик вроде «сколько <p> блоков», «сколько картинок» и т.п. с помощью XSLT тоже возможен. :)
XSLT все это умеет. И для вашей задачи именно его и надо было использовать.
Прочел сейчас всё его описание на w3schools.com и посмотрел там же некоторые примеры. И я даже отдаленно не представляю как можно его задействовать и как он может дать ускорение (он кроме своей личной работы еще и на xpath полагается).
Но был бы рад вашим идеям, если есть куда стремиться, то почему бы и нет?
Но был бы рад вашим идеям, если есть куда стремиться, то почему бы и нет?
Тот же Saxon вполне быстр. Кроме того, там есть кеширование шаблонов, что дает сильное ускорение. Мне доводилось писать шаблоны с относительно сложной логикой и никаких проблем со скоростью там не было. 15 секунд на одну страницу, все же, — это ппц.
А вообще, мне очень хочется дать вам ссылку на «Как правильно задавать вопросы». Попробуйте сначала сами, а потом уже задавайте конкретные вопросы. Ибо конкретно в данном случае я не вижу ни одной причины что мешает взять учебник по XSLT и все сделать самому.
А вообще, мне очень хочется дать вам ссылку на «Как правильно задавать вопросы». Попробуйте сначала сами, а потом уже задавайте конкретные вопросы. Ибо конкретно в данном случае я не вижу ни одной причины что мешает взять учебник по XSLT и все сделать самому.
15 секунд — это частный случай связанный со спецификой обработки нод которая мне была не известна, до кучи и не оптимизированный код. Сейчас как я уже сказал, все обрабатывается менее чем за секунду. Дальше как мне видится можно копать только в сторону написания своего специализированного парсера, а еще лучше сразу совмещения его с кодом обработки. Ради интереса прочитал как устроена libxslt (http://xmlsoft.org/XSLT/internals.html), собственно так оно и есть.
Документацию я прочел, а вопрос задал к тому, что на основе увиденных мной примеров преобразования не вижу каких-то возможных способов решения задачи. Допускаю что сказывает шаблонное мышление в совсем других категориях, посему я даже не могу представить себе конечные цели при таком подходе. Вот и спросил — как вы это видите.
Документацию я прочел, а вопрос задал к тому, что на основе увиденных мной примеров преобразования не вижу каких-то возможных способов решения задачи. Допускаю что сказывает шаблонное мышление в совсем других категориях, посему я даже не могу представить себе конечные цели при таком подходе. Вот и спросил — как вы это видите.
Прекрасно понимая, что это — утрированный пример, и вложенный XPath может быть значительно более сложным, хочу заметить, что в простых случаях правильнее использовать обычное DOM API.
Simple iterate executed 19.26sec.
Iterate with cloning executed 3.241sec.
Iterate with detaching node executed 2.128sec.
Iterate with DOM API executed 0.017sec.
При этом не портится DOM-дерево и не клонируются узлы. Да, это более громоздко, чем xpath.evaluate(). Но мы же тут говорим о достижении производительности?
final Node node = nodeList.item(i);
for (Node child = node.getFirstChild(); child != null; child = child.getNextSibling()) {
if ("i".equals(child.getNodeName())) {
final String iStr = child.getTextContent();
sum += Integer.parseInt(iStr.trim());
break;
}
}
Simple iterate executed 19.26sec.
Iterate with cloning executed 3.241sec.
Iterate with detaching node executed 2.128sec.
Iterate with DOM API executed 0.017sec.
При этом не портится DOM-дерево и не клонируются узлы. Да, это более громоздко, чем xpath.evaluate(). Но мы же тут говорим о достижении производительности?
Sign up to leave a comment.
XPath: ускоряем итерацию по NodeList