如何获取XML文档并使用Python扭曲解析它?

时间:2009-11-02 04:06:12

标签: python xml twisted

我想快速获取网址并在流式传输时解析它。理想情况下,这应该是超快的。我选择的语言是Python。我有一种直觉,扭曲可以做到这一点,但我找不到一个例子。

2 个答案:

答案 0 :(得分:6)

如果您需要以流式方式处理HTTP响应,可以选择几种方法。

您可以通过downloadPage

来完成
from xml.sax import make_parser
from twisted.web.client import downloadPage

class StreamingXMLParser:
    def __init__(self):
        self._parser = make_parser()

    def write(self, bytes):
        self._parser.feed(bytes)

    def close(self):
        self._parser.feed('', True)

parser = StreamingXMLParser()
d = downloadPage(url, parser)
# d fires when the response is completely received

这是有效的,因为downloadPage将响应主体写入传递给它的类文件对象。在这里,使用writeclose方法传入对象满足该要求,但是逐步将数据解析为XML而不是将其放在磁盘上。

另一种方法是在HTTPPageGetter级别挂钩。 HTTPPageGettergetPage内部使用的协议。

class StreamingXMLParsingHTTPClient(HTTPPageGetter):
    def connectionMade(self):
        HTTPPageGetter.connectionMade(self)
        self._parser = make_parser()

    def handleResponsePart(self, bytes):
        self._parser.feed(bytes)

    def handleResponseEnd(self):
        self._parser.feed('', True)
        self.handleResponse(None) # Whatever you pass to handleResponse will be the result of the Deferred below.

factory = HTTPClientFactory(url)
factory.protocol = StreamingXMLParsingHTTPClient
reactor.connectTCP(host, port, factory)
d = factory.deferred
# d fires when the response is completely received

最后,很快就会有一个新的HTTP客户端API。由于这不是任何版本的一部分,它不像前两种方法那样直接有用,但它更好一些,所以我会把它包含在内,让你了解未来会带来什么。 :)新API允许您指定接收响应正文的协议。所以你会做这样的事情:

class StreamingXMLParser(Protocol):
    def __init__(self):
        self.done = Deferred()

    def connectionMade(self):
        self._parser = make_parser()

    def dataReceived(self, bytes):
        self._parser.feed(bytes)

    def connectionLost(self, reason):
        self._parser.feed('', True)
        self.done.callback(None)

from twisted.web.client import Agent
from twisted.internet import reactor

agent = Agent(reactor)
d = agent.request('GET', url, headers, None)
def cbRequest(response):
    # You can look at the response headers here if you like.
    protocol = StreamingXMLParser()
    response.deliverBody(protocol)
    return protocol.done
d.addCallback(cbRequest) # d fires when the response is fully received and parsed

答案 1 :(得分:0)

您只需解析一个网址?然后别担心。使用urllib2打开连接并将文件句柄传递给ElementTree。

您可以尝试的变体是使用ElementTree的增量解析器或使用iterparse,但这取决于您的实际需求。有“超级快”,但也有“足够快”。

只有当你开始有多个同时连接时才应该看看Twisted或多线程。