R:xmlEventParse期间对大型(>;20GB)文件的内存管理
在前面这个问题()的基础上,我试图通过xmlEventParse读取许多大型xml文件,同时保存节点变化的数据。使用此示例xml: 下面的代码使用xpathSapply提取必要的值,并使用一系列if语句组合这些值,使唯一值(PMID)与记录中的每个非唯一值(LastName)相匹配,而记录中可能没有LastName。我们的目标是在编写过程中编写一系列小型csv(这里,在每1000个姓氏之后),以最小化所使用的内存量 当在全尺寸数据集上运行时,代码成功地成批输出文件,但是内存中仍然存储着某些内容,一旦使用了所有RAM,最终会导致系统错误。我在代码运行时观察了任务管理器,可以看到R的内存随着程序的进行而增长。如果我在运行中停止程序,然后清除R工作区,包括隐藏的项目,内存似乎仍在被R使用。直到我关闭R,内存才再次被释放 自己运行几次,您将看到R的内存使用量甚至在清除工作区后也会增加 请帮忙!对于以这种方式读取大型XML文件的其他人来说,这个问题似乎很常见(参见示例注释) 我的代码如下:R:xmlEventParse期间对大型(>;20GB)文件的内存管理,r,xml,memory-management,xml-parsing,large-files,R,Xml,Memory Management,Xml Parsing,Large Files,在前面这个问题()的基础上,我试图通过xmlEventParse读取许多大型xml文件,同时保存节点变化的数据。使用此示例xml: 下面的代码使用xpathSapply提取必要的值,并使用一系列if语句组合这些值,使唯一值(PMID)与记录中的每个非唯一值(LastName)相匹配,而记录中可能没有LastName。我们的目标是在编写过程中编写一系列小型csv(这里,在每1000个姓氏之后),以最小化所使用的内存量 当在全尺寸数据集上运行时,代码成功地成批输出文件,但是内存中仍然存储着某些内容,
library(XML)
filename <- "~/Desktop/medsamp2015.xml"
tempdat <- data.frame(pmid=as.numeric(),
lname=character(),
stringsAsFactors=FALSE)
cnt <- 1
branchFunction <- function() {
func <- function(x, ...) {
v1 <- xpathSApply(x, path = "//PMID", xmlValue)
v2 <- xpathSApply(x, path = "//Author/LastName", xmlValue)
print(cbind(c(rep(v1,length(v2))), v2))
#below is where I store/write the temp data along the way
#but even without doing this, memory is used (even after clearing)
tempdat <<- rbind(tempdat,cbind(c(rep(v1,length(v2))), v2))
if (nrow(tempdat) > 1000){
outname <- paste0("~/Desktop/outfiles",cnt,".csv")
write.csv(tempdat, outname , row.names = F)
tempdat <<- data.frame(pmid=as.numeric(),
lname=character(),
stringsAsFactors=FALSE)
cnt <<- cnt+1
}
}
list(MedlineCitation = func)
}
myfunctions <- branchFunction()
#RUN
xmlEventParse(
file = filename,
handlers = NULL,
branches = myfunctions
)
库(XML)
filename这里是一个示例,我们有一个启动脚本invoke.sh
,它调用一个R脚本,并将url和文件名作为参数传递。。。在本例中,我之前下载了测试文件并将其放入/data
目录中
- 我的意思是在
invoke.sh
脚本中创建一个循环,并遍历目标文件名列表。对于调用R实例的每个文件,下载它,处理该文件并转到下一个李>
警告:我没有对照任何其他下载文件和格式检查或更改您的功能。我将通过移除第62行的print()包装来关闭输出的打印
print( cbind(c(rep(v1, length(v2))), v2))
- 请参阅:以获取打印输出李>
- 输出的
.csv
文件放置在/data
目录中
注意:这是我之前就这个问题提供的答案的衍生:
. 我希望它能起到示范作用
启动脚本
测试文件和输出
运行时输出
文件:刚刚更新了代码,因此应该在下载后运行:。内存问题仍然存在。您运行的是什么操作系统?Windows,L*nux,Mac OSX?也许你会用像这样的tempdat[i]@Technophobe01我不管是在Windows还是Mac上都会遇到这个问题,这让我认为它与xmlEventParse有关,xmlEventParse在内存中存储了一些隐藏的、不可擦除的东西,而无需Rshutdown@km5041您正在使用的库很可能是用C或C++编写的,它将内存分配到R会话的控制之外。因此,内存泄漏在R会话之外,但会影响它。我处理这类问题的方法是将分析跨RScript实例进行划分。把工作分解。见:
1 #!/usr/local/bin/bash -x
2
3 R --no-save -q --slave < ./47162861.R --args "https://www.nlm.nih.gov/databases/dtd" "medsamp2015.xml"
# Set working directory
projectDir <- "~/dev/stackoverflow/47162861"
setwd(projectDir)
# -----------------------------------------------------------------------------
# Load required Packages...
requiredPackages <- c("XML")
ipak <- function(pkg) {
new.pkg <- pkg[!(pkg %in% installed.packages()[, "Package"])]
if (length(new.pkg))
install.packages(new.pkg, dependencies = TRUE)
sapply(pkg, require, character.only = TRUE)
}
ipak(requiredPackages)
# -----------------------------------------------------------------------------
# Load required Files
# trailingOnly=TRUE means that only your arguments are returned
args <- commandArgs(trailingOnly = TRUE)
if ( length(args) != 0 ) {
dataDir <- file.path(projectDir,"data")
fileUrl = args[1]
fileName = args[2]
} else {
dataDir <- file.path(projectDir,"data")
fileUrl <- "https://www.nlm.nih.gov/databases/dtd"
fileName <- "medsamp2015.xml"
}
# -----------------------------------------------------------------------------
# Download file
# Does the directory Exist? If it does'nt create it
if (!file.exists(dataDir)) {
dir.create(dataDir)
}
# Now we check if we have downloaded the data already if not we download it
if (!file.exists(file.path(dataDir, fileName))) {
download.file(fileUrl, file.path(dataDir, fileName), method = "wget")
}
# -----------------------------------------------------------------------------
# Now we extrat the data
tempdat <- data.frame(pmid = as.numeric(), lname = character(),
stringsAsFactors = FALSE)
cnt <- 1
branchFunction <- function() {
func <- function(x, ...) {
v1 <- xpathSApply(x, path = "//PMID", xmlValue)
v2 <- xpathSApply(x, path = "//Author/LastName", xmlValue)
print(cbind(c(rep(v1, length(v2))), v2))
# below is where I store/write the temp data along the way
# but even without doing this, memory is used (even after
# clearing)
tempdat <<- rbind(tempdat, cbind(c(rep(v1, length(v2))),
v2))
if (nrow(tempdat) > 1000) {
outname <- file.path(dataDir, paste0(cnt, ".csv")) # Create FileName
write.csv(tempdat, outname, row.names = F) # Write File to created directory
tempdat <<- data.frame(pmid = as.numeric(), lname = character(),
stringsAsFactors = FALSE)
cnt <<- cnt + 1
}
}
list(MedlineCitation = func)
}
myfunctions <- branchFunction()
# -----------------------------------------------------------------------------
# RUN
xmlEventParse(file = file.path(dataDir, fileName),
handlers = NULL,
branches = myfunctions)
$ ll
total 2128
drwxr-xr-x@ 7 hidden staff 238B Nov 10 11:05 .
drwxr-xr-x@ 9 hidden staff 306B Nov 10 11:11 ..
-rw-r--r--@ 1 hidden staff 32K Nov 10 11:12 1.csv
-rw-r--r--@ 1 hidden staff 20K Nov 10 11:12 2.csv
-rw-r--r--@ 1 hidden staff 23K Nov 10 11:12 3.csv
-rw-r--r--@ 1 hidden staff 37K Nov 10 11:12 4.csv
-rw-r--r--@ 1 hidden staff 942K Nov 10 11:05 medsamp2015.xml
> ./invoke.sh > runtime.txt
+ R --no-save -q --slave --args https://www.nlm.nih.gov/databases/dtd medsamp2015.xml
Loading required package: XML