我有一个大的TDB数据集(参见这篇文章Fuseki config for 2 datasets + text index : how to use turtle files?),我需要提取数据以制作一个"子图"并将其导入fuseki。
我发现如果这些结果太多(大约12M三元组),OFFSET
可以成为获取查询结果的解决方案。
以下是问题:
1)我在阅读W3C建议时OFFSET
应与ORDER BY
一起使用:
除非订单是,否则使用LIMIT和OFFSET(...)将无效 通过使用ORDER BY来实现可预测的。
(参见https://www.w3.org/TR/rdf-sparql-query/#modOffset)
- 不幸的是,ORDER BY
似乎在我的数据集上非常长。我发现了一些OFFSET没有ORDER BY的例子(这里是Getting list of persons using SPARQL dbpedia),所以我试图单独使用OFFSET
,它似乎有效。
- 我需要确保如果我重复相同的查询,我将获得所有结果。因此,我尝试了一个样本,并检查结果是否给出了不同的值和预期的数字,一切似乎都没问题。 所以我假设只有在2个查询之间修改数据集时才需要ORDER BY("可预测的顺序")?
2)性能是否取决于比率限制/偏移?
- 我试过LIMIT = 100,1000,5000,10000具有相同的偏移量,似乎速度几乎相同。
- 还尝试比较OFFSET的不同值,并且看起来大偏移的执行时间更长(但可能它只是TDB的一个问题:cf:https://www.mail-archive.com/users@jena.apache.org/msg13806.html)< / p>
~~~~~~ 更多信息 ~~~~~~
- 我使用带tdbquery
的脚本和此命令:
./tdbquery --loc=$DATASET --time --results=ttl "$PREFIXES construct { ?exp dcterms:title ?titre } where { ?manif dcterms:title ?titre ; rdarelationships:expressionManifested ?exp } limit $LIMIT offset $OFFSET"
- 数据集:~168M三倍,带有dcterms的~12M三倍:标题。
~~~~~~~~~~~~~~~~~~~~~~
提前致谢
答案 0 :(得分:2)
谢谢AKSW&amp; Andy,您的评论帮助我了解了Sparql。
所以我尝试使用SELECT REDUCED
,但它很长,如果我不使用OFFSET
,则无法停止该过程。此外,我需要转换结果以生成一个新图形(我想对作者进行其他转换等)。
我阅读了一些关于流,模型和序列化的页面,发现我可以直接使用同一查询中的多个更新来转换数据。这是一个潜在的解决方案:首先制作TDB文件的副本,然后在while循环中使用此查询:
DELETE {
?manif dcterms:title ?titre ;
rdarelationships:expressionManifested ?exp
}
INSERT {
graph <http://titres_1> {
?manif rdarelationships:expressionManifested ?exp .
?exp dcterms:titre ?titre
}
}
WHERE {
select * where
{
?manif dcterms:title ?titre ;
rdarelationships:expressionManifested ?exp
}
LIMIT 100000
}
此解决方案有几个优点:
也许可以提高效率:任何想法都会受到赞赏。
-----编辑----------
我已经开始转换数据,使用bash脚本重复查询,s-get ... | split
导出.nt文件中的三元组。每次导出后,&#34; temp&#34;使用s-update清除图形。
一切似乎都没问题,但
因此,有两个问题:
提前致谢
最后编辑
文件大小和性能似乎取决于可在tdb.cfg
文件中设置的参数:请参阅http://jena.apache.org/documentation/tdb/store-parameters.html。
我的数据集文件夹中没有任何.cfg文件。我做的第一个测试是添加一个并将tdb.file_mode
更改为&#39;直接&#39; :似乎文件的大小不像以前一样增长。但是,它需要更多RAM并且查询速度更低(即使我增加了java -Xms和-Xmx)。我认为这是一个“权衡”的对象。文件大小和查询性能之间。如果我有时间,我会订阅jena-users邮件列表,询问最好的&#39;调整&#39;
结论:测试查询很有意思,但我的数据集太大了;我将从具有命名图形的原始xml文件中创建另一个(但使用tdbloader2不允许这样做)或几个较小的数据集。