Question

我有一个大型XML文件（大约10K行）我需要定期解析这种格式：

<summarysection>
    <totalcount>10000</totalcount>
</summarysection>
<items>
     <item>
         <cat>Category</cat>
         <name>Name 1</name>
         <value>Val 1</value>
     </item>
     ...... 10,000 more times
</items>

我想要做的是使用nokogiri解析每个节点，以计算一个类别中的项目数量。然后，我想从total_count中减去这个数字，得到一个输出为“Count of Interest_Category：n，Count of All Else：z”。

这是我现在的代码：

#!/usr/bin/ruby

require 'rubygems'
require 'nokogiri'
require 'open-uri'

icount = 0 
xmlfeed = Nokogiri::XML(open("/path/to/file/all.xml"))
all_items = xmlfeed.xpath("//items")

  all_items.each do |adv|
            if (adv.children.filter("cat").first.child.inner_text.include? "partofcatname")
                icount = icount + 1
            end
  end

othercount = xmlfeed.xpath("//totalcount").inner_text.to_i - icount 

puts icount
puts othercount

这似乎有效，但速度很慢！对于10,000件物品，我说的时间超过10分钟。有一个更好的方法吗？我是以不太理想的方式做事吗？

Answer 1

这是一个将SAX解析器计数与基于DOM的计数进行比较的示例，使用七个类别之一计算500,000 <item>个。首先，输出：

创建XML文件：1.7s
  通过SAX计算：12.9s
  创建DOM：1.6s
  通过DOM计算：2.5s

这两种技术都会产生相同的哈希值，计算每个类别的数量：

{"Cats"=>71423, "Llamas"=>71290, "Pigs"=>71730, "Sheep"=>71491, "Dogs"=>71331, "Cows"=>71536, "Hogs"=>71199}

SAX版本需要12.9秒才能进行计数和分类，而DOM版本只需1.6秒即可创建DOM元素，需要2.5秒才能查找和分类所有<cat>值。 DOM版本大约快3倍！

......但这不是整个故事。我们也必须考虑RAM的使用情况。

对于500,000个项目，SAX（12.9s）达到238MB RAM; DOM（4.1s）达到1.0GB。
对于1,000,000件物品，SAX（25.5秒）达到243MB RAM; DOM（8.1s）达到2.0GB。
对于2,000,000件物品，SAX（55.1s）达到250MB RAM; DOM（ ??? ）达到峰值3.2GB。

我的机器上有足够的内存来处理1,000,000个项目，但是在2,000,000时我用完RAM并且不得不开始使用虚拟内存。即使使用SSD和快速机器，我也会让DOM代码运行近十分钟，然后再杀死它。

您报告的时间很长很可能是因为您的RAM耗尽并且作为虚拟内存的一部分连续点击磁盘。如果您可以将DOM放入内存中，请使用它，因为它很快。但是，如果不能，则必须使用SAX版本。

这是测试代码：

require 'nokogiri'

CATEGORIES = %w[ Cats Dogs Hogs Cows Sheep Pigs Llamas ]
ITEM_COUNT = 500_000

def test!
  create_xml
  sleep 2; GC.start # Time to read memory before cleaning the slate
  test_sax
  sleep 2; GC.start # Time to read memory before cleaning the slate
  test_dom
end

def time(label)
  t1 = Time.now
  yield.tap{ puts "%s: %.1fs" % [ label, Time.now-t1 ] }
end

def test_sax
  item_counts = time("Count via SAX") do
    counter = CategoryCounter.new
    # Use parse_file so we can stream data from disk instead of flooding RAM
    Nokogiri::HTML::SAX::Parser.new(counter).parse_file('tmp.xml')
    counter.category_counts
  end
  # p item_counts
end

def test_dom
  doc = time("Create DOM"){ File.open('tmp.xml','r'){ |f| Nokogiri.XML(f) } }
  counts = time("Count via DOM") do
    counts = Hash.new(0)
    doc.xpath('//cat').each do |cat|
      counts[cat.children[0].content] += 1
    end
    counts
  end
  # p counts
end

class CategoryCounter < Nokogiri::XML::SAX::Document
  attr_reader :category_counts
  def initialize
    @category_counts = Hash.new(0)
  end
  def start_element(name,att=nil)
    @count = name=='cat'
  end
  def characters(str)
    if @count
      @category_counts[str] += 1
      @count = false
    end
  end
end

def create_xml
  time("Create XML file") do
    File.open('tmp.xml','w') do |f|
      f << "<root>
      <summarysection><totalcount>10000</totalcount></summarysection>
      <items>
      #{
        ITEM_COUNT.times.map{ |i|
          "<item>
            <cat>#{CATEGORIES.sample}</cat>
            <name>Name #{i}</name>
            <name>Value #{i}</name>
          </item>"
        }.join("\n")
      }
      </items>
      </root>"
    end
  end
end

test! if __FILE__ == $0

DOM计数如何工作？

如果我们剥离一些测试结构，基于DOM的计数器看起来像这样：

# Open the file on disk and pass it to Nokogiri so that it can stream read;
# Better than  doc = Nokogiri.XML(IO.read('tmp.xml'))
# which requires us to load a huge string into memory just to parse it
doc = File.open('tmp.xml','r'){ |f| Nokogiri.XML(f) }

# Create a hash with default '0' values for any 'missing' keys
counts = Hash.new(0) 

# Find every `<cat>` element in the document (assumes one per <item>)
doc.xpath('//cat').each do |cat|
  # Get the child text node's content and use it as the key to the hash
  counts[cat.children[0].content] += 1
end

SAX计数如何工作？

首先，让我们关注这段代码：

class CategoryCounter < Nokogiri::XML::SAX::Document
  attr_reader :category_counts
  def initialize
    @category_counts = Hash.new(0)
  end
  def start_element(name,att=nil)
    @count = name=='cat'
  end
  def characters(str)
    if @count
      @category_counts[str] += 1
      @count = false
    end
  end
end

当我们创建这个类的一个新实例时，我们得到一个对象，它具有一个Hash，对于所有值默认为0，以及可以在其上调用的几个方法。 SAX Parser将在文档中运行时调用这些方法。

每次SAX解析器看到一个新元素时，它将在此类上调用start_element方法。当发生这种情况时，我们根据这个元素是否被命名为“cat”来设置一个标志（以便我们以后可以找到它的名称）。
每当SAX解析器啜饮一大块文本时，它就会调用对象的characters方法。当发生这种情况时，我们会检查我们看到的最后一个元素是否属于某个类别（即@count是否设置为true）;如果是这样，我们使用此文本节点的值作为类别名称，并在我们的计数器中添加一个。

要在Nokogiri的SAX解析器中使用我们的自定义对象，我们这样做：

# Create a new instance, with its empty hash
counter = CategoryCounter.new

# Create a new parser that will call methods on our object, and then
# use `parse_file` so that it streams data from disk instead of flooding RAM
Nokogiri::HTML::SAX::Parser.new(counter).parse_file('tmp.xml')

# Once that's done, we can get the hash of category counts back from our object
counts = counter.category_counts
p counts["Pigs"]

Answer 2

我建议使用SAX解析器而不是DOM解析器来处理这么大的文件。 Nokogiri内置了一个很好的SAX解析器：http://nokogiri.org/Nokogiri/XML/SAX.html

对于大型文件，SAX的处理方式很好，因为它没有构建一个巨大的DOM树，在你的情况下是过度的;您可以在事件触发时构建自己的结构（例如，用于计算节点）。

Answer 3

通过将代码更改为以下内容，您可以大大缩短执行时间。只需将“99”更改为您要检查的任何类别。

require 'rubygems'
require 'nokogiri'
require 'open-uri'

icount = 0 
xmlfeed = Nokogiri::XML(open("test.xml"))
items = xmlfeed.xpath("//item")
items.each do |item|
  text = item.children.children.first.text  
  if ( text =~ /99/ )
    icount += 1
  end
end

othercount = xmlfeed.xpath("//totalcount").inner_text.to_i - icount 

puts icount
puts othercount

我的机器上花了大约三秒钟。我认为你犯的一个关键错误就是你选择了“items”迭代而不是创建“item”节点的集合。这使你的迭代代码变得笨拙和缓慢。

Answer 4

您可以尝试一下 - https://github.com/amolpujari/reading-huge-xml

HugeXML.read xml, elements_lookup do |element| # => element{ :name, :value, :attributes} end

我也尝试过使用ox

Answer 5

查看Greg Weber版本的Paul Dix的萨克斯机器宝石： http://blog.gregweber.info/posts/2011-06-03-high-performance-rb-part1

Parsing large file with SaxMachine seems to be loading the whole file into memory

sax-machine使代码更加简单; Greg的变体让它流畅。

使用Ruby＆amp ;;解析大型XML文件引入nokogiri

5 个答案:

DOM计数如何工作？

SAX计数如何工作？