Algorithm.Main(args[])

孤独的美食家

词典导入

本章主要讲述词典数据的导入与词典数据的初步分析。作者从网络上找到了很多公开的词典库，尽力搜罗并整合入库。

目前总计获得词条17,656,557条记录，其中不重复的词条有12,926,204条，去重大约4,730,353条（有的词条可能重复2次以上）。经过统计发现：重复2次以上的词条总计2,062,167条。可以说重复次数越多的词条是人们越关心的部分。其他低频词条的实际意义并不是很大。

有关词典数据的初步分析还可以参考“选择工作平台”以及《我的NLP（自然语言处理）历程（2）——词频统计》中的数据表。

图1 词典库中的数据样例

随机从词典数据中抽取了部分数据样例，如图1所示。source表明的是数据来源。length是内容长度。content是具体的数据内容。enable是一个使能控制参数，0表示待定。remark则是数据内容的附加说明。可能是拼音注音，也可能是词典释义，或者词性标注，五花八门什么都有。

下面来讲下这些数据处理过程所需要消耗的时间。

（1）拷贝数据

INSERT INTO [dbo].DictionaryContent
([source], [length], [content], [remark])
SELECT [classification], LEN([content]), [content], [remark] FROM [nldb2].[dbo].Dictionary;

总计1700多万条记录拷贝耗时5分零7秒。每秒大致能处理5万7千多条记录。

（2）加载数据

将数据库中的1700多万条数据加载到内存的Dictionary对象中，以完成一个统计项目。

    [Microsoft.SqlServer.Server.SqlProcedure]
    public static void SqlReloadEntries()
    {
        // 记录日志
        LogTool.LogMessage("DictionaryTool", "SqlReloadEntries", "清理数据记录！");

        // 清理数据
        entries.Clear();

        // 记录日志
        LogTool.LogMessage("DictionaryTool", "SqlReloadEntries", "加载数据记录！");

        // 指令字符串
        string cmdString =
            "SELECT [content], [count] FROM [dbo].[DictionaryContent];";

        // 创建数据库连接
        SqlConnection sqlConnection = new SqlConnection("context connection = true");

        try
        {
            // 开启数据库连接
            sqlConnection.Open();
            // 创建指令
            SqlCommand sqlCommand =
                new SqlCommand(cmdString, sqlConnection);
            // 创建数据阅读器
            SqlDataReader reader = sqlCommand.ExecuteReader();
            // 循环处理
            while (reader.Read())
            {
                // 获得内容
                string strValue = reader.GetString(0);
                // 检查结果
                if (strValue == null || strValue.Length <= 0) continue;
                // 获得计数
                int count = reader.GetInt32(1);
                // 检查数据
                if (!entries.ContainsKey(strValue))
                {
                    // 增加记录
                    entries.Add(strValue, count < 0 ? 0 : count);
                }
                else
                {
                    // 更新记录
                    if (count > entries[strValue]) entries[strValue] = count;
                }
            }
            // 关闭数据阅读器
            reader.Close();
        }
        catch (System.Exception ex) { throw ex; }
        finally
        {
            // 检查状态并关闭连接
            if (sqlConnection.State == ConnectionState.Open) sqlConnection.Close();
        }

        // 记录日志
        LogTool.LogMessage("\tentries.count = " + entries.Count);
        // 记录日志
        LogTool.LogMessage("DictionaryTool", "SqlReloadEntries", "数据记录已加载！");
    }

该过程出奇地快，仅用时28秒左右。

（3）统计原始语料中，词典数据出现的频次

原始语料数据总计10,101,283条，总计977,485,287个字符。词典不重复记录12,926,204条。词典中数据最大长度为52。完整的全部扫描一遍下来，预计匹配计算量将达到\(6×10^{17}\) 以上。

这么大的匹配计算量，用传统的存储过程将会十分缓慢：需要频繁地调用UPDATE语句。由于原始语料数据已经达到千万级，UPDATE在有索引支持的情况下已经达到效率极限，整体运行速度肯定快不起来。

实际项目采用Dictionary内存对象处理，最后再执行UPDATE，则可以显著提高统计效率。最后用时2小时9分零9秒。大致每秒能处理1千1百多条记录。

图2 统计后的结果样例

（4）更新数据

用内存中的统计结果更新词典数据表。

    [Microsoft.SqlServer.Server.SqlProcedure]
    public static void SqlUpdateEntries()
    {
        // 记录日志
        LogTool.LogMessage("DictionaryTool", "SqlUpdateEntries", "更新数据！");
        LogTool.LogMessage(string.Format("\tentries.count = {0}", entries.Count));

        // 生成批量处理语句
        string cmdString =
            "UPDATE [dbo].[DictionaryContent] " +
                "SET [count] = @SqlCount WHERE [content] = @SqlEntry; " +
            "IF @@ROWCOUNT <= 0 " +
                "INSERT INTO [dbo].[DictionaryContent] " +
                "([content], [count]) VALUES (@SqlEntry, @SqlCount); ";

        // 创建数据库连接
        SqlConnection sqlConnection = new SqlConnection("context connection = true");

        try
        {
            // 开启数据库连接
            sqlConnection.Open();
            // 记录日志
            LogTool.LogMessage("DictionaryTool", "SqlUpdateEntries", "数据连接已开启！");

            // 开启事务处理模式
            SqlTransaction sqlTransaction =
                sqlConnection.BeginTransaction();
            // 记录日志
            LogTool.LogMessage("DictionaryTool", "SqlUpdateEntries", "事务处理已开启！");

            // 创建指令
            SqlCommand sqlCommand =
                new SqlCommand(cmdString, sqlConnection);
            // 设置事物处理模式
            sqlCommand.Transaction = sqlTransaction;
            // 记录日志
            LogTool.LogMessage("DictionaryTool", "SqlUpdateEntries", "T-SQL指令已创建！");

            // 遍历参数
            foreach (KeyValuePair<string, int> kvp in entries)
            {
                // 获得描述
                int count = kvp.Value;
                // 记录日志
                //LogTool.LogMessage(string.Format("content = {0}", kvp.Key));
                //LogTool.LogMessage(string.Format("\tcount = {0}", count));
                // 清理参数
                sqlCommand.Parameters.Clear();
                // 设置参数
                sqlCommand.Parameters.AddWithValue("SqlCount", count);
                sqlCommand.Parameters.AddWithValue("SqlEntry", kvp.Key);
                // 执行指令（尚未执行）
                sqlCommand.ExecuteNonQuery();
            }
            // 记录日志
            LogTool.LogMessage("DictionaryTool", "SqlUpdateEntries", "批量指令已添加！");

            // 提交事务处理
            sqlTransaction.Commit();
            // 记录日志
            LogTool.LogMessage("DictionaryTool", "SqlUpdateEntries", "批量指令已提交！");
        }
        catch (System.Exception ex) { throw ex; }
        finally
        {
            // 检查状态并关闭连接
            if (sqlConnection.State == ConnectionState.Open) sqlConnection.Close();
        }

        // 记录日志
        LogTool.LogMessage("DictionaryTool", "SqlUpdateEntries", "数据记录已更新！");
    }

该过程实际总耗时7分52秒。每秒大致能更新2万7千多条记录。

最后介绍下两个技术点：

（1）CLR C# 线程同步

在日志模块之中，需要将日志内容先存储至内存的一个对象中（例如：List<string[]>）。然后再做一个表值返回函数去读取这个内存对象，并返回日志内容。

为了能够实时查看日志内容，就需要对日志记录和日志读取做一个线程同步。否则将会有异常抛出（例如：Enumerator已经被改变）。

using System;
using System.Collections;
using System.Data.SqlTypes;
using System.Collections.Generic;
using Microsoft.SqlServer.Server;
using System.Runtime.CompilerServices;

public partial class LogTool
{
    // 是否记录
    private static bool DEBUG = true;
    // 最大日志量
    private readonly static int MAX_LOGS = 1024;

    // 日志记录
    private static List<string[]> logs = new List<string[]>();

    [Microsoft.SqlServer.Server.SqlFunction]
    public static SqlBoolean SqlSetLog(SqlBoolean sqlLog)
    {
        // 设置数值
        DEBUG = sqlLog.Value;
        // 返回结果
        return DEBUG;
    }

    [MethodImpl(MethodImplOptions.Synchronized)]
    [Microsoft.SqlServer.Server.SqlFunction
        (DataAccess = DataAccessKind.Read,
            FillRowMethodName = "GetLogs_FillRow",
            TableDefinition = "LogValue nvarchar(4000)")]
    public static IEnumerable SqlGetLogs()
    {
        // 计数器
        int count = 0;

        // 数组
        List<string> items = new List<string>();
        // 检查数量
        foreach (string[] item in logs)
        {
            // 修改计数器
            count++;
            // 检查参数
            if (item.Length == 1)
            {
                // 发送消息
                items.Add(item[0]);
            }
            else if (item.Length == 2)
            {
                // 发送消息
                items.Add(item[0] + " > " + item[1]);
            }
            else if (item.Length == 3)
            {
                // 发送消息
                items.Add(item[0] + " " + item[1] + " > " + item[2]);
            }
            else if (item.Length == 4)
            {
                // 发送消息
                items.Add(item[0] + " " + item[1] + "." + item[2] + " > " + item[3]);
            }
        }
        // 删除内容
        if (count > 0) logs.RemoveRange(0, count);
        // 返回结果
        return items;
    }

    public static void GetLogs_FillRow(object logResultObj, out SqlString Value)
    {
        Value = (string)logResultObj;
    }

    [MethodImpl(MethodImplOptions.Synchronized)]
    public static void LogMessage(string strMessage)
    {
        // 检查参数
        if (DEBUG)
        {
            // 检查日志记录
            if (logs.Count >= MAX_LOGS) logs.RemoveAt(0);
            // 加入日志记录
            logs.Add(new string[] { DateTime.Now.ToString("HH:mm:ss"), strMessage });
        }
    }

    [MethodImpl(MethodImplOptions.Synchronized)]
    public static void LogMessage(string strModule, string strFunction, string strMessage)
    {
        // 检查参数
        if (DEBUG)
        {
            // 检查日志记录
            if (logs.Count >= MAX_LOGS) logs.RemoveAt(0);
            // 加入日志记录
            logs.Add(new string[] { DateTime.Now.ToString("HH:mm:ss"), strModule, strFunction, strMessage });
        }
    }
}

使用库System.Runtime.CompilerServices。

然后在函数中声明[MethodImpl(MethodImplOptions.Synchronized)]即可保证线程同步。

（2）SQLServer 自动日志压缩

SQLServer日志增长得比数据库本身要快很多。数据文件才4G，日志文件就已经16G。如果长期不清理，那么日志文件很快就会撑爆磁盘。因此需要部署一个计划任务，定时清理SQLServer的日志。

USE [master]
GO

ALTER DATABASE [nldb3] SET RECOVERY SIMPLE WITH NO_WAIT
GO

ALTER DATABASE [nldb3] SET RECOVERY SIMPLE
GO

USE [nldb3]
GO

DBCC SHRINKFILE(N'nldb3_log', 2, TRUNCATEONLY)
GO

USE [master]
GO

ALTER DATABASE [nldb3] SET RECOVERY FULL WITH NO_WAIT
GO

ALTER DATABASE [nldb3] SET RECOVERY FULL
GO

读者可以修改数据库名和日志名，并将此T-SQL语句部署至任务之中即可。

图3 部署任务

知乎：我的NLP（自然语言处理）历程（9）——词典导入

Post Views: 394