Постановка задачи
Имеется ежедневно обновляемый архив со списком недействительных российских паспортов в формате csv: http://сервисы.гувм.мвд.рф/info-service.htm?sid=2000. Размер архива list_of_expired_passports.csv.bz2
— 506 MB, размер распакованного csv-файла — 1,6 GB.
Требуется реализовать вспомогательный REST-сервис, для использования внутри компании, со следующими возможностями:
Проверка наличия паспорта (Серия + Номер) в списке недействительных паспортов.
Возможность обновления данных без прерывания работы сервиса.
Исследуем содержимое csv-файла
Исходный csv-файл содержит более 137 148 000 записей, большинство из которых записаны в одинаковом формате ^\d{4},\d{6}$
, но также встречаются и буквенные серии (~10000 записей).
PASSP_SERIES,PASSP_NUMBER
6004,270563
6004,270579
6004,270611
...
ХЕР6,37039
ХИБА,601006
ХУЕР,685239
ЯГ01,3332
Возможно ли сжать данный csv-файл, чтобы было приемлемо работать с ним в памяти?
Да! Используя то, что большинство записей представлены в числовом виде, а также что для задачи проверки наличия паспорта в списке не имеет значения, в каком порядке расположены строки, данный csv-файл можно запаковать значительно лучше, чем это делают популярные архиваторы. А точнее – до 42 MB, что в 38 раз компактнее исходного csv-файла и в 11 раз компактнее csv-файла сжатого bzip2.
Данные в таблице на 16.08.2021.
Формат | Размер в байтах |
list_of_expired_passports.csv.bz2 | 506,340,184 |
list_of_expired_passports.csv | 1,649,037,938 |
list_of_expired_passports.csv.pdata | 42,876,427 |
Предлагаемый алгоритм сжатия .pdata (passport data)
Хочу сразу оговориться, что этот алгоритм не является универсальным и применим только в рамках данной задачи сжатия csv-файла, в котором много записей паспортов представлено в числовом виде.
Возьмем для примера первую запись из csv-файла: 6004,270563
.
Удалим запятую между серией и номером паспорта.
Далее разобьем строку на 2 части по 7 и 3 символа соответственно и представим в виде чисел:
6004270
и563
.Первое число будем хранить в формате
Int32
и использовать в качестве ключаDictionary<int, byte[]>
для фильтра чисел у которых совпадают первые 7 цифр.Второе 3-значное число может принимать значения от 0 до 999. Однако нам не надо сохранять данное число целиком, достаточно знать есть ли оно в файле или нет. Поэтому все числа от 0 до 999 будем кодировать массивом из 1000 бит, что соответствует массиву из 125 байт.
Реализация алгоритма сжатия
PassportDataStorage.cs
using System;
using System.Collections.Generic;
using System.Linq;
namespace FileFormat.PassportData
{
public class PassportDataStorage
{
private const int PART1_LENGTH = 7;
private const int PART2_LENGTH = 3;
public const int PART2_NUM_VALUES = 1000;
private readonly IBitMatrix _numbers;
private readonly ISet<string> _strings;
public PassportDataStorage()
{
_numbers = new BitMatrix(PART2_NUM_VALUES);
_strings = new HashSet<string>();
}
public PassportDataStorage(IBitMatrix numbers, IEnumerable<string> strings)
{
_numbers = numbers;
_strings = new HashSet<string>(strings);
}
public string Header { get; set; }
public ISet<string> Strings => _strings;
public IBitMatrix Numbers => _numbers;
public void Add(string value)
{
if (string.IsNullOrEmpty(value))
{
return;
}
if (IsOnlyNumbers(value))
{
var (row, column) = SplitNumbersValue(value);
_numbers[row, column] = true;
}
else
{
_strings.Add(value);
}
}
public bool Contains(string value)
{
if (string.IsNullOrEmpty(value))
{
throw new ArgumentNullException(nameof(value));
}
bool result;
if (IsOnlyNumbers(value))
{
var (row, column) = SplitNumbersValue(value);
result = _numbers[row, column];
}
else
{
result = _strings.Contains(value);
}
return result;
}
private bool IsOnlyNumbers(string value)
{
if (value.Length == 11 && value[4] == ',')
{
var numbers = value.Substring(0, 4) + value.Substring(5, 6);
return numbers.All(char.IsDigit);
}
return false;
}
private (int, int) SplitNumbersValue(string value)
{
var onlyNumbers = value.Substring(0, 4) + value.Substring(5, 6);
var part1 = onlyNumbers.Substring(0, PART1_LENGTH);
var part2 = onlyNumbers.Substring(PART1_LENGTH, PART2_LENGTH);
return (int.Parse(part1), int.Parse(part2));
}
}
}
protobuf-описание формата файла .pdata (passportdata.proto)
syntax = "proto3";
message PassportDataMessage
{
string csv_header = 1;
repeated NumbersMap numbers_only_map = 2;
repeated string other_lines = 3;
}
message NumbersMap
{
int32 seven_digits_key = 1;
bytes three_digits_bits_value = 2;
}
Решение исходной задачи
Идея решения исходной задачи — держать сжатые данные в памяти в объекте PassportDataStorage
. Обновление данных происходит по расписанию 1 раз в сутки. Мое решение представлено в виде docker-контейнера на Docker Hub. Реализовано на .NET Core, исходники доступны на GitHub.
Запуск сервиса локально
docker pull skivsoft/expired-passport-checker
docker run -it --rm -p 8000:80 --name expiredpassportchecker skivsoft/expired-passport-checker
Окрываем Swager UI http://localhost:8000/swagger/
После старта контейнера происходит следующее:
начальное скачивание архива bzip2
распаковка csv-файла из bzip2 архива
конвертирование csv-файла в сжатый формат PassportData и сохранение его в памяти
Последующие обновления запускаются по расписанию, которое задается параметром CronSchedule
в appsettings.json.
Лог запуска сервиса
UPD: 21.08.2021
[23:44:05 INF] Step 1 of 4: DownloadBzip2
[23:44:05 INF] Downloading file https://проверки.гувм.мвд.рф/upload/expired-passports/list_of_expired_passports.csv.bz2
[██████████████████████████████████████████████████] 00:00:00
[23:47:17 INF] Downloaded 506.64 MB (506639004 bytes) 2.64 MB/s
[23:47:17 INF] Elapsed time: 00:03:12.2394834
[23:47:17 INF] --------------------------------------------------------------------------------
[23:47:17 INF] Step 2 of 4: UnpackFromBzip2
[23:47:17 INF] Unpacking list_of_expired_passports.csv.bz2 into list_of_expired_passports.csv
[23:48:52 INF] Unpacked 1,650.19 MB (1650187286 bytes)
[23:48:52 INF] Elapsed time: 00:01:34.3357428
[23:48:52 INF] --------------------------------------------------------------------------------
[23:48:52 INF] Step 3 of 4: PackCsvToPassportData
[23:48:52 INF] Reading and compressing list_of_expired_passports.csv
[23:49:44 INF] Number of processed records: 137514593
[23:49:44 INF] Number of lines with letters: 10094
[23:49:44 INF] Elapsed time: 00:00:52.2790392
[23:49:44 INF] --------------------------------------------------------------------------------
[23:49:44 INF] Step 4 of 4: SavePassportData
[23:49:44 INF] Packed passport data saved into list_of_expired_passports.csv.pdata (40.15 MB)
[23:49:44 INF] Elapsed time: 00:00:00.2261993
[23:49:44 INF] --------------------------------------------------------------------------------
[23:49:44 INF] Total elapsed time: 00:05:39.0804647
[23:49:44 INF] --------------------------------------------------------------------------------