-
-
Notifications
You must be signed in to change notification settings - Fork 7
/
upload_fias.py
197 lines (165 loc) · 7.9 KB
/
upload_fias.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
# DISCLAIMER
# Я настоятельно рекомендую запускать этот скрипт построчно из Jupyter notebook.
# 1. Он очень долгий. Перегон dfb в csv занимает где-то 20 минут, загрузка названий улиц ещё 2, а номера домов это ещё часов на 8-10
# 2. Требует очень много памяти и можно не заметить как на машине она закончится. Таблицы с csv занимают около 50Гб, в elastic это может весить ещё около 100гб. Удаляйте dfb после того как получили csv файлы.
import os
import csv
import glob
import shutil
import argparse
import pandas as pd
from elasticsearch import Elasticsearch, helpers
from simpledbf import Dbf5
pd.options.display.max_columns = None
es = Elasticsearch()
def load_elastic(fn, index, doc_type, encoding='cp866', es=es):
'''
Этот метод загружает указанный файлик в elastic.
'''
with open(fn, encoding=encoding) as f:
reader = csv.DictReader(f)
helpers.bulk(es, reader, index=index, doc_type=doc_type, raise_on_error=False, stats_only=True)
print('done')
# # Оптимизация под полнотекстовый поиск
def full_address(GUID):
answer = es.search(index='fias', doc_type='address', body=
{
"size": 1,
"query": {
"bool": {
"must": [
{"match": {
"AOGUID": GUID}},
{"match": {
"ACTSTATUS": 1}}
]
}
}
})
entry = answer["hits"]["hits"][0]["_source"]
string = entry['SHORTNAME'] + " " + entry['OFFNAME']
if len(entry['PARENTGUID']) > 5:
string = full_address(entry['PARENTGUID']) + ', ' + string
return string
def full_address_sep(GUID, _leaf=True):
address = {}
address['fullname'] = ''
answer = es.search(index='fias', doc_type='address', body=
{
"size": 1,
"query": {
"bool": {
"must": [
{"match": {
"AOGUID": GUID}},
{"match": {
"ACTSTATUS": 1}}
]
}
}
})
try:
entry = answer["hits"]["hits"][0]["_source"]
level = entry["AOLEVEL"]
LUT = {
'1': 'region',
'2': 'aregion',
'3': 'area',
'4': 'city',
'5': 'district',
'6': 'town',
'7': 'street',
'8': 'building',
'9': 'placement',
'65': 'planning',
'75': 'land',
'90': 'additional',
'91': 'nestreet'
}
if _leaf:
address['guid'] = GUID
address['aolevel'] = entry['AOLEVEL']
address[LUT.get(level, level)] = entry['OFFNAME']
address[LUT.get(level, level) + "_type"] = entry['SHORTNAME']
address['fullname'] = entry['SHORTNAME'] + " " + entry['OFFNAME']
if len(entry['PARENTGUID']) > 5:
nest = full_address_sep(entry['PARENTGUID'], _leaf=False)
string = nest['fullname'] + ', ' + address['fullname']
address.update(nest)
address['fullname'] = string
except Exception:
print("failed get address")
print(answer)
return address
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument('--fiasdir', default='')
parser.add_argument('--remove', default=False, action='store_true')
parser.add_argument('--dont-remove', dest='remove', action='store_false')
args = parser.parse_args()
fias_dir = os.path.join(args.fiasdir, 'fias_dbf/');
fias_csv_dir = os.path.dirname(args.fiasdir + 'fias_csv/')
files = glob.glob(os.path.join(fias_dir, 'ADDR*'), recursive=True)
# # Для начала преобразуем всё в csv
os.makedirs('fias_csv', exist_ok=True)
files = glob.glob(os.path.join(fias_dir, 'ADDR*'), recursive=True)
for i, f in enumerate(files):
if f[-3:].lower() == 'dbf':
print('processing {0} of {1}. Filename: {2} '.format(i + 1, len(files), f), end='\r')
dbf = Dbf5(f, codec='cp866')
dbf.to_csv('fias_csv/ADDROBJ.csv')
if args.remove:
os.remove(f) # delete to save memory
# files = ['ESTSTAT.DBF', 'FLATTYPE.DBF', 'HSTSTAT.DBF', 'INTVSTAT.DBF', 'NDOCTYPE.DBF',
# 'OPERSTAT.DBF', 'ROOMTYPE.DBF', 'SOCRBASE.DBF', 'STRSTAT.DBF']
# for i, f in enumerate(files):
# if f[-3:].lower() == 'dbf':
# print('processing {0} of {1}. Filename: {2} '.format(i + 1, len(files), f), end='\r')
# dbf = Dbf5(os.path.join(fias_dir, f), codec='cp866')
# dbf.to_csv('fias_csv/{0}.csv'.format(f[:-4]))
files = glob.glob(os.path.join(fias_dir, 'HOUSE*'), recursive=True)
for i, f in enumerate(files):
if f[-3:].lower() == 'dbf':
print('processing {0} of {1}. Filename: {2} '.format(i + 1, len(files), f), end='\r')
dbf = Dbf5(f, codec='cp866')
dbf.to_csv('fias_csv/HOUSE.csv')
if args.remove:
os.remove(f) # delete to save memory
# files = glob.glob(os.path.join(fias_dir, 'ROOM*'), recursive=True)
# for i, f in enumerate(files):
# if f[-3:].lower() == 'dbf':
# print('processing {0} of {1}. Filename: {2} '.format(i + 1, len(files), f), end='\r')
# dbf = Dbf5(f, codec='cp866')
# dbf.to_csv('fias_csv/ROOM.csv')
# files = glob.glob(os.path.join(fias_dir, 'STEAD*'), recursive=True)
# for i, f in enumerate(files):
# if f[-3:].lower() == 'dbf':
# print('processing {0} of {1}. Filename: {2} '.format(i + 1, len(files), f), end='\r')
# dbf = Dbf5(f, codec='cp866')
# dbf.to_csv('fias_csv/STEAD.csv')
# # Теперь надо всё это закинуть в Elastic
# Да, это не самый оптимальный путь (можно миновать csv). Но это уже как есть
# Загрузка самой главной таблицы
# На первых порах её нам хватит. Остальные загружаются при надобности
# Занимает 2 часа
# FIXME
# load_elastic(os.path.join(fias_csv_dir, 'ADDROBJ.csv'), 'fias', 'address')
# Загрузка в полнотекстовый поиск, где есть и адрес и город и индекс
df_addr = pd.read_csv(os.path.join(fias_csv_dir, 'ADDROBJ.csv'), encoding='cp866', dtype=str, error_bad_lines=False)
# здесь могут быть ошибки парсинга на некоторых полях.
# Их можно просто пропустить а потом попытаться исправить самостоятельно.
start = 0
finish = None
i = start
for _, value in df_addr[["AOGUID"]][df_addr['ACTSTATUS'] == '1'][start:finish].iterrows():
if i % 50 == 0:
print(i, end="\r")
full_addr = full_address_sep(value["AOGUID"])
# print(full_addr)
es.index(index="fias_full_text", id=value["AOGUID"], doc_type='address', body=full_addr)
i += 1
# На данном этапе в elastic должна быть таблица fias_full_text. Далее мы её будем максимально активно использовать
# Можно ставить на ночь. Это очень долго: 18Гб таблица весит
load_elastic(os.path.join(fias_csv_dir, 'HOUSE.csv'), 'fias_houses', 'home')
# Удаляем все csv-таблицы, они теперь есть в elastic
shutil.rmtree("fias_csv")