UniParc XML解析器

处理从UniProt网站下载的UniParc XML文件（uniparc_all.xml.gz），将其转换为可以加载到关系数据库中的CSV文件。

示例

解析100万行大约需要5.5秒

$ mkdir uniparc
$ time bash -c "zcat tests/uniparc_1mil.xml.gz | uniparc_xml_parser >/dev/null"

real    0m5.564s
user    0m5.528s
sys     0m0.132s

实际的uniparc_all.xml.gz文件大约有50亿行。

常见问题解答

为什么不解压缩uniparc_all.xml.gz成多个小文件并并行处理

• 解压缩文件需要读取整个文件。如果我们无论如何都要读取整个文件，为什么不在读取时解析它呢？
• 有一个单独的过程来解析uniparc_all.xml.gz，这使得创建增量唯一索引列（例如UniparcXRef.idx、Property.idx等）更容易。