Question

我需要解析一个非常大的（~40GB）XML文件，从中删除某些元素，并将结果写入新的xml文件。我一直在尝试使用python的ElementTree中的iterparse，但我对如何修改树然后将结果树写入新的XML文件感到困惑。我已经阅读了关于itertree的文档，但它还没有解决问题。有没有简单的方法可以做到这一点？

谢谢！

编辑：这是我到目前为止所拥有的。

import xml.etree.ElementTree as ET
import re 

date_pages = []
f=open('dates_texts.xml', 'w+')

tree = ET.iterparse("sample.xml")

for i, element in tree:
    if element.tag == 'page':
        for page_element in element:
            if page_element.tag == 'revision':
                for revision_element in page_element:
                    if revision_element.tag == '{text':
                        if len(re.findall('20\d\d', revision_element.text.encode('utf8'))) == 0:
                            element.clear()

Answer 1

如果您有一个不适合内存的大型xml，那么您可以尝试一次将其序列化一个元素。例如，假设<root><page/><page/><page/>...</root>文档结构并忽略可能的命名空间问题：

import xml.etree.cElementTree as etree

def getelements(filename_or_file, tag):
    context = iter(etree.iterparse(filename_or_file, events=('start', 'end')))
    _, root = next(context) # get root element
    for event, elem in context:
        if event == 'end' and elem.tag == tag:
            yield elem
            root.clear() # free memory

with open('output.xml', 'wb') as file:
    # start root
    file.write(b'<root>')

    for page in getelements('sample.xml', 'page'):
        if keep(page):
            file.write(etree.tostring(page, encoding='utf-8'))

    # close root
    file.write(b'</root>')

keep(page)如果True应该保留，则返回page，例如：

import re

def keep(page):
    # all <revision> elements must have 20xx in them
    return all(re.search(r'20\d\d', rev.text)
               for rev in page.iterfind('revision'))

为了进行比较，要修改 small xml文件，您可以：

# parse small xml
tree = etree.parse('sample.xml')

# remove some root/page elements from xml
root = tree.getroot()
for page in root.findall('page'):
    if not keep(page):
        root.remove(page) # modify inplace

# write to a file modified xml tree
tree.write('output.xml', encoding='utf-8')

Answer 2

也许my similar question的答案可以帮助你。

至于如何将其写回.xml文件，我最终在我的脚本底部执行此操作：

with open('File.xml', 'w') as t: # I'd suggest using a different file name here than your original
    for line in ET.tostring(doc):
        t.write(line)
    t.close
print('File.xml Complete') # Console message that file wrote successfully, can be omitted

变量doc来自我之前的脚本，与你拥有tree = ET.iterparse("sample.xml")的地方相比我有这个：

doc = ET.parse(filename)

我一直在使用lxml而不是ElementTree，但我认为写出部分应该仍然有效（我认为它主要只是ElementTree无法处理的xpath内容。）我正在使用这行导入的lxml：

from lxml import etree as ET

希望这（如果你需要的话，还有一些额外的代码上下文的链接问题）可以帮助你！

使用python ElementTree的itertree函数并将修改后的树写入输出文件

2 个答案: