最近我在维基百科上完成了一些数据挖掘方面的任务。它由这些部分组成：
解析enwiki-pages-articles.xml的维基百科转储；
把类别和页存储到mongodb里面；
对类别名称进行重新分门别类。
我对cpython 2.7.3和pypy 2b的实际任务性能进行了测试。我使用的库是：
redis 2.7.2
pymongo 2.4.2
此外cpython是由以下库支持的：
hiredis
pymongo c-extensions
测试主要包含数据库解析，所以我没预料到会从pypy得到多大好处（何况cpython的数据库驱动是c写的）。
下面我会描述一些有趣的结果。
抽取维基页名
我需要在所有维基百科的类别中建立维基页名到page.id的联接并存储重新分配好的它们。最简单的解决方案应该是导入enwiki-page.sql（定义了一个rdb表）到mysql里面，然后传输数据、进行重分配。但我不想增加mysql需求（有骨气！xd）所以我用纯python写了一个简单的sql插入语句解析器，然后直接从enwiki-page.sql导入数据，进行重分配。
这个任务对cpu依赖更大，所以我再次看好pypy。
/ time
pypy 169.00s 用户态 8.52s 系统态 90% cpu
cpython 1287.13s 用户态 8.10s 系统态 96% cpu
我也给page.id->类别做了类似的联接（我笔记本的内存太小了，不能保存供我测试的信息了）。
从enwiki.xml中筛选类别
为了方便工作，我需要从enwiki-pages-articles.xml中过滤类别，并将它们存储相同的xml格式的类别。因此我选用了sax解析器，在pypy和cpython中都适用的包装器解析。对外的原生编译包（同事在pypy和cpython 中） 。
代码非常简单：
class wikicategoryhandler(handler.contenthandler):
“””class which detecs category pages and stores them separately
“””
ignored = set((‘contributor’, ‘comment’, ‘meta’))
def __init__(self, f_out):
handler.contenthandler.__init__(self)
self.f_out = f_out
self.curr_page = none
self.curr_tag = ”
self.curr_elem = element(‘root’, {})
self.root = self.curr_elem
self.stack = stack()
self.stack.push(self.curr_elem)
self.skip = 0
def startelement(self, name, attrs):
if self.skip>0 or name in self.ignored:
self.skip += 1
return
self.curr_tag = name
elem = element(name, attrs)
if name == ‘page’:
elem.ns = -1
self.curr_page = elem
else: # we don’t want to keep old pages in memory
self.curr_elem.append(elem)
self.stack.push(elem)
self.curr_elem = elem
def endelement(self, name):
if self.skip>0:
self.skip -= 1
return
if name == ‘page’:
self.task()
self.curr_page = none
self.stack.pop()
self.curr_elem = self.stack.top()
self.curr_tag = self.curr_elem.tag
def characters(self, content):
if content.isspace(): return
if self.skip == 0:
self.curr_elem.append(textelement(content))
if self.curr_tag == ‘ns’:
self.curr_page.ns = int(content)
def startdocument(self):
self.f_out.write(“\n”)
def enddocument(self):
self.f_out.write(“\n”)
print(“finish processing wikipedia”)
def task(self):
if self.curr_page.ns == 14:
self.f_out.write(self.curr_page.render())
class element(object):
def __init__(self, tag, attrs):
self.tag = tag
self.attrs = attrs
self.childrens = []
self.append = self.childrens.append
def __repr__(self):
return “element {}”.format(self.tag)
def render(self, margin=0):
if not self.childrens:
return u”{0}”.format(
” “*margin,
self.tag,
“”.join([‘ {}=”{}”‘.format(k,v) for k,v in {}.iteritems()]))
if isinstance(self.childrens[0], textelement) and len(self.childrens)==1:
return u”{0}{3}”.format(
” “*margin,
self.tag,
“”.join([u’ {}=”{}”‘.format(k,v) for k,v in {}.iteritems()]),
self.childrens[0].render())
return u”{0}\n{3}\n{0}”.format(
” “*margin,
self.tag,
“”.join([u’ {}=”{}”‘.format(k,v) for k,v in {}.iteritems()]),
“\n”.join((c.render(margin+2) for c in self.childrens)))
class textelement(object):
def __init__(self, content):
self.content = content
def __repr__(self):
return “textelement” def render(self, margin=0):
return self.content
element和textelement元素包换tag和body信息，同时提供了一个方法来渲染它。
下面是我想要的pypy和cpython比较结果。
/ time
pypy 2169.90s
cpython 4494.69s
我很对pypy的结果很吃惊。
计算有趣的类别集合
我曾经想要计算一个有趣的类别集合——在我的一个应用背景下，以computing类别衍生的一些类别为开始进行计算。为此我需要构建一个提供类的类图——子类关系图。
结构类——子类关系图
这个任务使用mongodb作为数据来源，并对结构进行重新分配。算法是：
for each category.id in redis_categories (it holds *category.id -> category title mapping*) do:
title = redis_categories.get(category.id)
parent_categories = mongodb get categories for title
for each parent_cat in parent categories do:
redis_tree.sadd(parent_cat, title) # add to parent_cat set title
抱歉写这样的伪码，但我想这样看起来更加紧凑些。
所以说这个任务仅把数据从一个数据库拷贝到另一个。这里的结果是mongodb预热完毕后得出的（不预热的话数据会有偏差——这个python任务只耗费约10%的cpu）。计时如下：
/ time
pypy 175.11s 用户态 66.11s 系统态 64% cpu
cpython 457.92s 用户态 72.86s 系统态 81% cpu
遍历redis_tree（再分配过的树）
如果我们有redis_tree数据库，仅剩的问题就是遍历computing类别下所有可实现的结点了。为避免循环遍历，我们需要记录已访问过的结点。自从我想测试python的数据库性能，我就用再分配集合列来解决这个问题。
/ time
pypy 14.79s 用户态 6.22s 系统态 69% cpu 30.322 总计
cpython 44.20s 用户态 13.86s 系统态 71% cpu 1:20.91 总计
说实话，这个任务也需要构建一些tabu list（禁止列表）——来避免进入不需要的类别。但那不是本文的重点。
结论
进行的测试仅仅是我最终工作的一个简介。它需要一个知识体系，一个我从抽取维基百科中适当的内容中得到的知识体系。
pypy相比cpython，在我这个简单的数据库操作中，提高了2-3倍的性能。（我这里没有算上sql解析器，大约8倍）
多亏了pypy，我的工作更加愉悦了——我没有改写算法就使python有了效率，而且pypy没有像cpython一样把我的cpu弄挂了，以至于一段时间内我没法正常的使用我的笔记本了（看看cpu时间占的百分比吧）。
任务几乎都是数据库操作，而cpython有一些加速的乱七八糟的c语言模块。pypy不使用这些，但结果却更快！
我的全部工作需要大量的周期，所以我真高兴能用pypy。