言語処理100本ノック 2015の61本目「KVSの検索」の記録です。RedisとPythonを使っています。

「言語処理100本ノック」記録

参考リンク

リンク	備考
書籍「RDB技術者のためのNoSQLガイド」	RDBに浸かっていた私には非常にわかりやすかったです
061.KVSの検索.ipynb	回答プログラムのGitHubリンク
最新RedisのUbuntuへのインストールとPythonで使うまで	インストールについて
【初心者向け】Redisのデータ型とPythonでの使い方サンプル	Redisのデータ型について整理
言語処理100本ノックでPython入門 #61 - RedisでKVSの検索	Redis-pyの回答として参考にしました
素人の言語処理100本ノック:61	言語処理100本ノックで常にお世話になっています

環境

インストールに関しては記事「最新RedisのUbuntuへのインストールとPythonで使うまで」を参照ください。

種類	バージョン	内容
OS	Ubuntu18.04.01 LTS	仮想で動かしています
Redis	5.0.4	2019/3/22時点でStableの最新です
pyenv	1.2.9	複数Python環境を使うことがあるのでpyenv使っています
Python	3.7.2	pyenv上でpython3.7.2を使っていますパッケージはvenvを使って管理しています
reids-py	3.2.1	2019/3/22時点で最新

問題

第7章: データベース

artist.json.gzは，オープンな音楽データベースMusicBrainzの中で，アーティストに関するものをJSON形式に変換し，gzip形式で圧縮したファイルである．このファイルには，1アーティストに関する情報が1行にJSON形式で格納されている．JSON形式の概要は以下の通りである．

フィールド型内容例

id ユニーク識別子整数 20660

gid グローバル識別子文字列 "ecf9f3a3-35e9-4c58-acaa-e707fba45060"

name アーティスト名文字列 "Oasis"

sort_name アーティスト名（辞書順整列用）文字列 "Oasis"

area 活動場所文字列 "United Kingdom"

aliases 別名辞書オブジェクトのリスト

aliases[].name 別名文字列 "オアシス"

aliases[].sort_name 別名（整列用）文字列 "オアシス"

begin 活動開始日辞書

begin.year 活動開始年整数 1991

begin.month 活動開始月整数

begin.date 活動開始日整数

end 活動終了日辞書

end.year 活動終了年整数 2009

end.month 活動終了月整数 8

end.date 活動終了日整数 28

tags タグ辞書オブジェクトのリスト

tags[].count タグ付けされた回数整数 1

tags[].value タグ内容文字列 "rock"

rating レーティング辞書オブジェクト

rating.count レーティングの投票数整数 13

rating.value レーティングの値（平均値）整数 86

artist.json.gzのデータをKey-Value-Store (KVS) およびドキュメント志向型データベースに格納・検索することを考える．KVSとしては，LevelDB，Redis，KyotoCabinet等を用いよ．ドキュメント志向型データベースとして，MongoDBを採用したが，CouchDBやRethinkDB等を用いてもよい．

【注意事項】このデータは「アーティスト名」で一意になりません。なので、単純に「アーティスト名」をKVSのキーにすると2件目以降で上書きしてしまうためファイルの件数とKVSの件数が合致しません。

61. KVSの検索

60で構築したデータベースを用い，特定の（指定された）アーティストの活動場所を取得せよ．

プログラム：061.KVSの検索.ipynb

Jupyter Notebookの形式をPython形式に変換すると以下のコードです。
Jupyter Notebook形式の結果は、「061.KVSの検索.ipynb」を見てください。

061.KVSの検索.ipynb

#!/usr/bin/env python
# coding: utf-8

from redis import Redis
r = Redis( )

print(r.hgetall("Pete Moutso"))
#=> {b'371203': b''}

print(r.hgetall("The Silhouettes"))
#=> {b'101060': b'United States', b'765139': b'', b'765143': b'', b'765151': b'Netherlands', b'765152': b'', b'765150': b'United States', b'765153': b'Netherlands'}

print(r.hgetall("Oasis"))
#=> {b'377879': b'United Kingdom', b'286198': b'United States', b'20660': b'United Kingdom'}

プログラム解説

パラメータを使うなど細かく制御していません。適当に3つの「アーティスト名」で検索しています。
「アーティスト名」で一意にならないため、Hashesデータ型を使いました。そして、Hashesのフィールド名に一意となる「id」が設定されています。
最初の「Pete Moutso」で検索したときには、「活動場所」がないので「id」だけをHashesデータ型のフィールド名として表示しています。
2番目の「The Silhouette」で検索したときは、同じ「アーティスト名」が7件あって、「活動場所」があったりなかったりです。
3番目の「Oasis」の場合は、3件の同じ「アーティスト名」があって、すべてに「活動場所」が設定されています。