money-mining-python

开发记录

待办列表

• 打开时恢复至上次的状态
• 增加操作日志

开发进度

• 2023-07-05
  • 增加文件选择功能
• 2023-07-06
  • 增加正则匹配不限制位置
• 2023-07-08
  • 增加支持4级筛选;调整界面结构，增大结果区域
  • 增加历史记录功能，能打开上一次的位置
  • 增加显示筛选数量和结果数量

待办日志

1. 链式调用
2. 聚合结果分析

处理步骤

1. 从5118下载泛词（csv文件）

2. 对泛词进行分词处理（cut.py）

   • 分词和词频统计
   • 根据词频进行倒序排列

3. 根据词频获取拓展词

4. 把所有拓展词合并到一个文件中（merge.py）

5. 生成关键词文件，包含三个要素：序号、关键词、分词结果（key.py）

6. 对关键词文件生成索引文件（key_index.py）

7. 根据关键词文件生成倒排文件（key_reverse.py）

8. 根据关键词文件、索引文件、倒排文件生成最终的聚合分析文件（agg_word.py）

进程相关

1. 普通的只有一个进程
2. 普通使用ProcessPoolExecutor只有4个进程
3. 如果使用Manager会额外多一个进程

文件位置相关

1. with open 与 mmap 读取到的每行的位置是一样的

文件读取速度比较

1. 从单进程的角度看：仅以顺序读文件来说mmap的速度快很多，如果对内容进行编码，速度也较with open快一点
2. 从多进程的角度看：仅以顺序读文件来说mmap的速度快很多，如果对内容进行编码，速度也较with open快一点
3. 仅以顺序读取同一个文件，with open 与 mmap 均是 单进程读取一次的速度 比 多进程读取一次要快，而且with open的差距更明显
4. 多进程分段读取中 mmap比with open快很多，with open非常的慢
5. 总结：
   • mmap（单）>>mmap(单，对内容进行编码)>with open(单)
   • mmap（多）>>mmap(多，对内容进行编码)>with open(多)
   • （这个结论没啥用处，因为多进程一般是完成不同的任务）仅以顺序读取同一个文件，with open 与 mmap 均是 单进程读取一次的速度 比 多进程读取一次要快，而且with open的差距更明显
   • 多进程分段读取中 mmap比with open快很多，with open非常的慢