Самый быстрый SAX-парсер для python

[Zerstoren]

Автор, конечно можно. Вот только это вы должны были нам рассказать как именно.

[AlexanderYastrebov]

Есть ощущение что если надо просто посчитать частоты тегов, то можно и без xml парсера обойтись. Возможно это будет быстрее.

[AlexanderYastrebov]

Что еще можно попробовать:
— раззиповать все или по очереди, но не питоном
— попробовать не создавать парсер для каждого файла, возможно проканает (надо проверять)
— парсить не все, а подмножетство, например 10% от библиотеки

Хотя лично я думаю, что для разовой оценочной задачи можно часок и подождать :)

[B7W]

А быстрее — можно?

А вдруг вы просто уперлись в HDD или в CPU?

[Zerstoren]

Конечно уперся. в CPU одного процессора. Не забываем про GIL Пайтона и то что таких программ должно быть запущено минимум 2 (в кол-во ядер процессора). Тогда можно и ускориться.

[TIEugene]

Я бы предложил под термином «быстрее» понимать «эффективнее» — кол-во перемолоченных байт на мегагерцеядро.
Я пересчитал в такты процессора.

[logan]

Я бы сделал параллельное выполнение (можно даже в лоб — на bash). Делим входные файлы на сегменты по количеству ядер (например и у нас 4000 файлов и 4 ядра — значит делим на 4 группы по 1000 файлов) и на каждую кучу натравливаем свой парсер.

[piratarusso]

А зачем переводить fb2 в docbook?
Формат docbook предназначен в первую очередь для технических публикаций, есть тэги для вставок схем, примеров исходного кода, при этом читать его практически нечем на большинстве устройств, при этом можно автоматически конвертировтать в pdf, html и т.д. Fb2 расчитан на нетехнические тексты, зато читать его можно на почти на любом устройстве. Боюсь, что такое преобразование не имеет никакой практической пользы.

[Ganga]

Вашей статье, если ваша цель таки найти более быстрое решение, место на Codereview.SE. Там и посоветуют и оценят и обсудят.

[seriyPS]

вам бы хватило лексера без парсера. Кстати, интересно — xml.parsers.expat преобразует XML Entities? Если да, то при значительном их количестве производительность может просесть очень сильно из за множеств копирований памяти.

Вместо

def start_element(name, attrs):
    tags[name] = tags[name] + 1 if name in tags else 1

посоветовал бы использовать

def start_element(name, attrs):
    try:
        tags[name] += 1
    except KeyError:
        tags[name] = 1

Или вообще collections.Counter().
Это потому что вероятность НЕ встретить тег в таблице гораздо меньше вероятности встретить. Так что эксепшны будут выпадать крайне редко (в основном в начале), зато избегаем лишнего поиска по хеш таблице if name in tags. Учитывая то, что эта функция вызывается крайне часто, можно получить существенный прирост скорости.

[TIEugene]

1. если речь идет о пойти на рекорд — то да, хватит даже grep'а. Но это только начало. Дальше надо будет анализировать библиотеку, составлять индексы и всё такое. Т.е. нужен именно sax-парсер.
2. try-except немного помогло, спасибо за идею.

[ZyXI]

Не проверял на скорость, но я в таких случаях использую defaultdict:

from collections import defaultdict
…
tags = defaultdict(lambda: 0)
…
def start_element(name, attrs):
    tags[name] += 1

[TIEugene]

Даже в первом варианте работа триггера занимает 8% времени. А 40% — таки сам парсер.
Но за подсказку спасибо

[ZyXI]

Здесь главный вопрос не скорость. Автосоздание переменных в таком виде зачастую весьма удобно: если проигнорировать импорт, то это одна короткая и понятная строчка (определение tags не считается, так как должно присутствовать в обоих случаях) против либо длинной, либо и вовсе четырёх. Читаемость везде нормальная, но если конструкций с except KeyError: много, то, если скорость позволяет, уж лучше использовать ваш вариант.

Кстати, вспомнил про аналогичный benchmark из этой темы. Если воспользоваться кодом оттуда (но файлом увеличенным в десять раз простым «умножением»), то распределение по скорости выглядит следующим образом (от самого быстрого: 3,3, 3,4, 3,7, 4,1):

d = defaultdict(int)
…
    d[x] += 1

try:
    d[x] += 1
except KeyError:
    d[x] = 1

if x in d:
    d[x] += 1
else:
    d[x] = 1

d[x] = d[x] + 1 if x in d else 1

Собственно весь код:

import re

n = 5
with open("./pg2600.txt", "r") as f:
    s = f.read()
d={}
for x in re.findall(r'\w+',s):
    <tested code here>
print repr([k for k,v in d.items() if v == n])

Мой вариант стабильно быстрее except KeyError: (разница мала или очень мала, но он всегда быстрее), последние два могут показывать близкую производительность (но ваш всегда медленнее).

Замечу, что здесь используется int, а не lambda: 0. Разница в скорости, впрочем, не обнаружена.