MySQL からダンプされた SQL を他の用途に使うため、タブ区切りのテキスト（いわゆる TSV）に変換を試みます。
概要
MySQL のテーブルは mysqldump で SQL としてダンプできます。主要部分は CREATE 文と INSERT 文です。
（略）
CREATE TABLE t_price (
（略）
INSERT INTO t_price VALUES (1,'定型',25,82),（略）(10,'定型外',4000,1180);
（略）
自分で管理している MySQL からのダンプであれば、直接 TSV にダンプできます。
他で公開されているデータが SQL のダンプしかない場合、一度取り込んでダンプするか、変換するかになります。今回はスクリプトを書いて変換を試みます。
※ 後述しますが、Wiktionary のダンプの変換を想定しています。データが巨大なため、一度取り込むのは避けたいのです。
仕様
SQL から INSERT 文の VALUES だけを取り出して TSV に変換します。具体的には次のような挙動を目指します。
INSERT INTO `table` VALUES (1,2,3),(4,5,6);
INSERT INTO `table` VALUES (1,'a,b','c\'d');
1 2 3
4 5 6
1 a,b c'd
Python
Python で変換スクリプトを書きます。
read_string
一重引用符 ' で囲まれる文字列をパースします。これが一番混み入っています。
最初の文字が ' かどうかをチェックします。エスケープシーケンスの処理は簡略化して、\", \', \\ の場合は \ を除去しますが、その他の制御文字の場合は \ を残します。
test はテスト用のフラグです。
test = True
def read_string(src, pos):
length = len(src)
if pos >= length or src[pos] != "'": return None
pos += 1
ret = ""
while pos < length and src[pos] != "'":
if src[pos] == "\\":
pos += 1
end = pos >= length
if end or not src[pos] in "\"'\\":
ret += "\\"
if end: break
ret += src[pos]
pos += 1
if pos < length and src[pos] == "'": pos += 1
return (ret, pos)
if test:
src = r"'a,b','c\'d'"
pos = 0
while pos < len(src):
s, p = read_string(src, pos)
print("read_string", (src, pos), "->", (s, p))
pos = p + 1
read_string ("'a,b','c\\'d'", 0) -> ('a,b', 5)
read_string ("'a,b','c\\'d'", 6) -> ("c'd", 12)
read_value
1つのデータを読み取ります。文字列なら read_string を読んで、それ以外は , か ( まで読み進めます。
def read_value(src, pos):
length = len(src)
if pos >= length: return None
sp = read_string(src, pos)
if sp: return sp
p = pos
while p < length and src[p] != "," and src[p] != ")":
p += 1
return (src[pos:p], p)
if test:
for src in ["1,2,3", r"1,'a,b','c\'d'"]:
pos = 0
while (value := read_value(src, pos)):
s, p = value
print("read_value", (src, pos), "->", (s, p))
pos = p + 1
read_value ('1,2,3', 0) -> ('1', 1)
read_value ('1,2,3', 2) -> ('2', 3)
read_value ('1,2,3', 4) -> ('3', 5)
read_value ("1,'a,b','c\\'d'", 0) -> ('1', 1)
read_value ("1,'a,b','c\\'d'", 2) -> ('a,b', 7)
read_value ("1,'a,b','c\\'d'", 8) -> ("c'd", 14)
read_values
括弧内のコンマで区切られたデータをすべて読み取ります。
def read_values(src, pos):
length = len(src)
if pos >= length or src[pos] != "(": return None
pos += 1
ret = []
if pos < length and src[pos] != ")":
while (value := read_value(src, pos)):
s, pos = value
ret.append(s)
if pos >= length or src[pos] != ",": break
pos += 1
if pos < length and src[pos] == ")": pos += 1
return (ret, pos)
if test:
for src in [r"(1,2,3)", r"(1,'a,b','c\'d')"]:
print("read_values", (src, 0), "->", read_values(src, 0))
read_values ('(1,2,3)', 0) -> (['1', '2', '3'], 7)
read_values ("(1,'a,b','c\\'d')", 0) -> (['1', 'a,b', "c'd"], 16)
read_all_values
括弧で囲まれたデータをすべて読み取ります。ループでの扱いを想定してジェネレーターにします。
def read_all_values(src, pos):
length = len(src)
while (sp := read_values(src, pos)):
s, pos = sp
yield s
if pos >= length or src[pos] != ",": break
pos += 1
if test:
src = r"(1,2,3),(1,'a,b','c\'d')"
print("read_all_values", (src, 0), "->", list(read_all_values(src, 0)))
read_all_values ("(1,2,3),(1,'a,b','c\\'d')", 0) -> [['1', '2', '3'], ['1', 'a,b', "c'd"]]
read_sql
SQL の各行から INSERT INTO で始まる行を見付けて read_all_values で処理します。
def read_sql(stream):
while (line := stream.readline()):
if line.startswith("INSERT INTO "):
p = line.find("VALUES (")
if p >= 0: yield from read_all_values(line, p + 7)
if test:
import io
src = r"""
INSERT INTO `table` VALUES (1,2,3),(4,5,6);
INSERT INTO `table` VALUES (1,'a,b','c\'d');
""".strip()
print("read_sql", (src,))
print("->", list(read_sql(io.StringIO(src))))
read_sql ("INSERT INTO `table` VALUES (1,2,3),(4,5,6);\nINSERT INTO `table` VALUES (1,'a,b','c\\'d');",)
-> [['1', '2', '3'], ['4', '5', '6'], ['1', 'a,b', "c'd"]]
コマンド化
必要な関数はすべて実装しました。テストをオフにします。
test = False
指定したファイルを読み込んで、指定したファイルに書き出します。gzip 圧縮された SQL ファイルを展開せずに直接読み込めます。
UTF-8 のバイト列が文字の途中で切れている場合を想定して、open では errors="replace" を指定します。これにより異常な文字は � に置換されます。errors を指定しない場合はエラーになります。
【参考】 (Windows) Python3でのUnicodeEncodeErrorの原因と回避方法 - Qiita
if __name__ == "__main__":
import gzip, sys
try:
target = sys.argv[1]
openf = None
if target.endswith(".sql" ): openf = open
if target.endswith(".sql.gz"): openf = gzip.open
if not openf: raise Exception("not supported: " + target)
except Exception as e:
print(e)
print("usage: %s sql[.gz]" % sys.argv[0])
exit(1)
tsv = target[:target.rfind(".sql")] + ".tsv"
with openf(target, "rt", encoding="utf-8", errors="replace") as fr:
with open(tsv, "w", encoding="utf-8") as fw:
for values in read_sql(fr):
fw.write("\t".join(values))
fw.write("\n")
次のように使います。出力は拡張子を変えた file.tsv となります。
python sql2tsv.py file.sql
スクリプト全体は以下に置きました。
計測
どのくらいの速度で処理できるか、巨大なファイルで計測します。
Wikipedia の関連プロジェクトとして Wiktionary という多言語辞書があります。今回は Wiktionary のダンプデータを利用します。
なお、Wiktionary の本文の処理については以下の記事でも扱っています。
Wiktionary 日本語版
記事執筆時点で入手可能な2020年5月1日版より、以下のファイルを使用します。ファイルを展開すると 90 MB ほどになります。
-
https://dumps.wikimedia.org/jawiktionary/
jawiktionary-20200501-categorylinks.sql.gz 10.7 MB
今回のスクリプトで変換すると、79 MB ほどの TSV が出力されます。圧縮ファイルを直接読み込んでも遅延は誤差程度です。
$ time python sql2tsv.py jawiktionary-20200501-categorylinks.sql
real 0m20.330s
user 0m19.797s
sys 0m0.500s
$ time python sql2tsv.py jawiktionary-20200501-categorylinks.sql.gz
real 0m20.751s
user 0m20.344s
sys 0m0.391s
行数は 95 万行ほどです。
$ wc -l jawiktionary-20200501-categorylinks.tsv
951077 jawiktionary-20200501-categorylinks.tsv
Wiktionary 英語版
記事執筆時点で入手可能な2020年5月1日版より、以下のファイルを使用します。展開すると 3 GB ほどに膨れ上がります。
-
https://dumps.wikimedia.org/enwiktionary/
enwiktionary-20200501-categorylinks.sql.gz 344.6 MB
これを変換します。出力されるファイルは 2.6 GB ほどです。
$ time python sql2tsv.py enwiktionary-20200501-categorylinks.sql
real 12m49.856s
user 12m36.641s
sys 0m12.750s
$ time python sql2tsv.py enwiktionary-20200501-categorylinks.sql.gz
real 13m5.832s
user 12m53.609s
sys 0m11.531s
行数は 2,800 万行にもなります。
$ wc -l enwiktionary-20200501-categorylinks.tsv
28021874 enwiktionary-20200501-categorylinks.tsv
F#
F# に移植しました。
計測結果は次にまとめます。Python に比べてかなり高速です。
まとめ
計測結果を並べます。
| ファイル | 言語 | 時間 |
|---|---|---|
| jawiktionary-20200501-categorylinks.sql | Python | 0m20.330s |
| jawiktionary-20200501-categorylinks.sql | F# | 0m03.168s |
| jawiktionary-20200501-categorylinks.sql.gz | Python | 0m20.751s |
| jawiktionary-20200501-categorylinks.sql.gz | F# | 0m03.509s |
| enwiktionary-20200501-categorylinks.sql | Python | 12m49.856s |
| enwiktionary-20200501-categorylinks.sql | F# | 1m52.396s |
| enwiktionary-20200501-categorylinks.sql.gz | Python | 13m05.832s |
| enwiktionary-20200501-categorylinks.sql.gz | F# | 2m15.380s |
圧縮ファイルを直接処理すると多少遅くはなりますが、ディスクスペースが節約できるため有利です。
関連記事
今回のスクリプトは以下の記事で使用しています。