如何使用RDFLib解析大数据集？

Question

我正在尝试用RDFLib 3.0解析几个大图，显然它会处理第一个图，而在第二个图(MemoryError)上会死掉……看起来MySQL不再被支持为商店了，你能建议一种解析它们的方法吗？

Traceback (most recent call last):
  File "names.py", line 152, in <module>
    main()
  File "names.py", line 91, in main
    locals()[graphname].parse(filename, format="nt")
  File "/usr/local/lib/python2.6/dist-packages/rdflib-3.0.0-py2.6.egg/rdflib/graph.py", line 938, in parse
    location=location, file=file, data=data, **args)
  File "/usr/local/lib/python2.6/dist-packages/rdflib-3.0.0-py2.6.egg/rdflib/graph.py", line 757, in parse
    parser.parse(source, self, **args)
  File "/usr/local/lib/python2.6/dist-packages/rdflib-3.0.0-py2.6.egg/rdflib/plugins/parsers/nt.py", line 24, in parse
    parser.parse(f)
  File "/usr/local/lib/python2.6/dist-packages/rdflib-3.0.0-py2.6.egg/rdflib/plugins/parsers/ntriples.py", line 124, in parse
    self.line = self.readline()
  File "/usr/local/lib/python2.6/dist-packages/rdflib-3.0.0-py2.6.egg/rdflib/plugins/parsers/ntriples.py", line 151, in readline
    m = r_line.match(self.buffer)
MemoryError

Answer 1

这些RDF文件上有多少个三元组？我测试过rdflib，如果你幸运的话，它的伸缩性不会超过几十个ktriple。对于有数百万个三元组的文件，它不可能真正执行得很好。

目前最好的解析器是来自Redland Libraries的rapper。我的第一个建议是不要使用RDF/XML，而是使用ntriples。三元组是一种比RDF/XML更轻量级的格式。您可以使用rapper将RDF/XML转换为三元组。

rapper -i rdfxml -o ntriples YOUR_FILE.rdf > YOUR_FILE.ntriples

如果您喜欢Python，可以使用Redland python bindings

import RDF
parser=RDF.Parser(name="ntriples")
model=RDF.Model()
stream=parser.parse_into_model(model,"file://file_path",
                                      "http://your_base_uri.org")
for triple in model:
    print triple.subject, triple.predicate, triple.object

我已经用redland库解析了相当大的文件(几个千兆字节)，没有任何问题。

最后，如果您正在处理大数据集，您可能需要将您的数据断言到一个可伸缩的三元组存储中，我通常使用的是4store。4store内部使用redland来解析RDF文件。从长远来看，我认为，寻求一个可伸缩的三元组存储是你必须要做的。有了它，您将能够使用SPARQL查询数据，使用SPARQL/Update插入和删除三元组。