如何使用python解析超大XML文档

如题所述

　　在工作时最有吸引力的地方在于可以尽量避免使用昔日的技术。主机、租用线路、COBOL语言......没有人应该要处理这些东西了，对不对？不幸的是，你最终会与现实发生冲突，即使是2014年，大家都知道JSON是最好的方式，你的票务供应商（你无法控制的）会告诉你，只有使用XML导出才能让大容量的数据输出他们的系统。
　　唉~~~~，好,很好,无所谓。这只是一次性的事情,我不需要照顾和养活这个XML,我只需要解析它并将数据保存到Postgres中,我们就可以利用它。不应该太困难,我需要写一点python脚本…
　　import xml.etree.cElementTree as ET
　　tree = ET.parse('huge.xml')
　　for ticket_node in tree.findall('ticket'):
　　#etc...
　　......这将工作的非常好，如果我们谈论的是一个几MB的XML文档，但是如果遇到的是huge.xml它是1.3GB的巨大文档，这种方法只会融化你的笔记本电脑（以16GB的MacBookPro，一旦python的过程花了超过约3GB的内存，系统变得几乎完全反应迟钝，并且它几乎还没有完成）。回到原点。
　　首先让我们快速浏览一下我们的数据。
　　<?xml version="1.0" encoding="UTF-8"?>
　　<tickets report_date="20140217">
　　<ticket>
　　<!-- various ticket fields, some of which I want -->
　　<comments type="array">
　　<comment>
　　<!-- various comment fields, some of which I want -->
　　</comment>
　　<!-- possibly more comment tags -->
　　</comments>
　　</ticket>
　　<!-- many, many ticket tags -->
　　</tickets>
　　不是很复杂，作为一个整体它不是一个真正的文件中，<ticket>节点只是一个列表，每一类又是一个小文件，我想挑出几部分出来。我不需要做针对树的任何复杂的遍历，只是希望从每个<ticket>节点获得一些数据然后把它扔掉再读下一个。原来ElementTree的对眼前这个场景提供了一个工具：iterparse()。让我们再试一次：
　　import xml.etree.cElementTree as ET
　　for event, element in ET.iterparse('huge.xml'):
　　if event == 'end' and element.tag == 'ticket':
　　#process ticket...
　　…什么? !我的笔记本电脑又融化了!跟parse-the-whole-file的方法一样使用了完全相同的内存(和系统响应能力)。到底发生了什么事?
　　好吧,稍微google了一下，google告诉我,当iterparse()读取元素时,它仍然是在内存中建立了一个完整的文档树，就像我一开始使用parse()方法一样。几个博客和stackoverflow的答案推荐添加element.clear()方法在循环结束时清理你不需要的对象,可以限制内存消耗。我拯救了你的麻烦:它不工作。其他博客,so的答案,甚至一个IBM白皮书表明需要在循环结束时进行更彻底的清扫工作结束:
　　import lxml.etree as ET #the IBM piece used lxml but I tried cElementTree also
　　for event, element in ET.iterparse('huge.xml'):
　　if event == 'end' and element.tag == 'ticket':
　　#process ticket...
　　element.clear()
　　while elem.getprevious() is not None:
　　del elem.getparent()[0]
　　......哎呀！我溶化了另一台笔记本电脑！
　　为什么不工作？坦率地说，我不知道。
　　我稍微离题一下来说说为什么我爱Python。作为一个DBA和系统工程师，我面对着大量的一次性编程挑战。移动这个从这里到那里、Munge数据、将数据从这里迁移到哪里。这种类型的挑战是非常适合于蛮力编程解决问题的这种方式。总之，有时是不值得在建立一个优雅的、易于维护的解决方案上花费任何时间。有时候，你只需要解决这个问题，然后忘掉它。 在处理这类问题上Python最棒的，简洁的语法、良好的设计理念、丰富的库都有助于这个工具，很容易快速解决您碰到的任何问题。即使速度比同等的Java解决方案的10倍还慢，如果需要5分钟的时间写而不是5小时，我更愿意使用python，因为人类工时比CPU工时更有价值。
　　所有这一切都证明下述方式解决了我的问题，而不会融化的笔记本电脑：
　　import xml.etree.cElementTree as ET
　　def process_buffer(buf):
　　tnode = ET.fromstring(buf)
　　#pull it apart and stick it in the database
　　inputbuffer = ''
　　with open('huge.xml','rb') as inputfile:
　　append = False
　　for line in inputfile:
　　if '<ticket>' in line:
　　inputbuffer = line
　　append = True
　　elif '</ticket>' in line:
　　inputbuffer += line
　　append = False
　　process_buffer(inputbuffer)
　　inputbuffer = None
　　del inputbuffer #probably redundant...
　　elif append:
　　inputbuffer += line
　　不是最优雅，或有效率，或者通用的解决方案，但它可以工作。刚刚看了手边的手册，利用其结构的简单性，在解析之前根据xml文件的内容将它切成可管理的块，然后解析和处理每个块，终于可以确保不再需要更长的时间来把它全部处理完。

温馨提示：内容为网友见解，仅供参考

当前网址：https://22.t2y.org/zz/c0h6ihhh22xsschhhct.html