Alle PubMed-Baseline-Dateien parallel mit Python parsen
In unserem vorherigen Beitrag PubMed-Baseline-Daten mit Python parsen haben wir untersucht, wie man die pubmed_parser-Bibliothek verwendet, um PubMed-Medline-Daten mit Python zu parsen.
In diesem Folgebeitrag zeigen wir ein Beispiel, wie man glob verwendet, um alle PubMed-Baseline-Dateien in einem Verzeichnis auszuwählen, und concurrent.futures mit tqdm verwendet, um eine bequeme und einfach zu verwendende Prozess-Parallelität mit ProcessPoolExecutor und einer Fortschrittsanzeige für die Befehlszeile zu bieten.
Installiere zuerst die Abhängigkeiten mit
pip install git+git://github.com/titipata/pubmed_parser.git six numpy tqdmLade nun dieses Skript herunter, stelle sicher, dass einige Dateien wie pubmed20n0002.xml.gz oder pubmed20n0004.xml.gz im selben Verzeichnis sind, und führe es aus:
#!/usr/bin/env python3
import pubmed_parser as pp
import glob
import os
from collections import Counter
import concurrent.futures
from tqdm import tqdm
# Source: https://techoverflow.net/2017/05/18/how-to-use-concurrent-futures-map-with-a-tqdm-progress-bar/
def tqdm_parallel_map(executor, fn, *iterables, **kwargs):
"""
Entspricht executor.map(fn, *iterables),
zeigt aber eine tqdm-basierte Fortschrittsanzeige.
Unterstützt kein timeout oder chunksize, da executor.submit intern verwendet wird
**kwargs wird an tqdm übergeben.
"""
futures_list = []
for iterable in iterables:
futures_list += [executor.submit(fn, i) for i in iterable]
for f in tqdm(concurrent.futures.as_completed(futures_list), total=len(futures_list), **kwargs):
yield f.result()
def parse_and_process_file(filename):
"""
This function contains our parsing code. Normally you only modify this function.
"""
# Autoren und Referenzen für dieses Beispiel nicht parsen, da wir sie nicht benötigen
dat = pp.parse_medline_xml(filename, author_list=False, reference_list=False)
# For this example, we'll build a set of count of all MeSH IDs in this file
ctr = Counter()
for entry in dat:
terms = [term.partition(":")[0].strip() for term in entry["mesh_terms"].split(";")]
for term in terms:
ctr[term] += 1
return filename, ctr
if __name__ == "__main__":
# Find all pubmed files in the current directory
all_filenames = glob.glob("pubmed*.xml.gz")
# For some workloads you might want to use a ThreadPoolExecutor,
# aber ein ProcessPoolExecutor ist ein guter Standard
executor = concurrent.futures.ProcessPoolExecutor(os.cpu_count())
# Iterate results as they come in (the order is not the same as in the input!)
for filename, ctr in tqdm_parallel_map(executor, parse_and_process_file, all_filenames):
# NOTE: If you print() here, this might interfere with the progress bar,
# aber das akzeptieren wir hier, da es nur ein Beispiel ist
print(filename, ctr)Nun kannst du mit der Modifikation des Beispiels beginnen, insbesondere der Funktion parse_and_process_file(), um die gewünschte Verarbeitung durchzuführen.