Question

我想用python3处理一个非常大的XML文件（＆gt; 3千兆字节），但问题是xml文件不完整，如下所示：

<country name="Liechtenstein">
    <rank>1</rank>
    <year>2008</year>
    <neighbor name="Austria" direction="E"/>
</country>
<country name="Singapore">
    <rank>4</rank>
    <year>2011</year>
    <neighbor name="Malaysia" direction="N"/>
</country>
<country name="Panama">
    <rank>68</rank>

我正在寻找的结果是：

<?xml version="1.0"?>
<data>
<country name="Liechtenstein">
    <rank>1</rank>
    <year>2008</year>
    <neighbor name="Austria" direction="E"/>
</country>
<country name="Singapore">
    <rank>4</rank>
    <year>2011</year>
    <neighbor name="Malaysia" direction="N"/>
</country>
</data>

因此，我必须将标题部分（如下所示）添加到XML文件中：

<?xml version="1.0"?>
<data>

然后，删除xml文件的不完整部分（如下所示）：

<country name="Panama">
    <rank>68</rank>

最后，将队列部分（如下所示）添加到XML文件中：

</data>

所有这些过程必须由Python脚本完成。

感谢您的帮助。

Answer 1

在完成另一个<country>...</country>条目后，将连续行读入缓冲区，打印并清空缓冲区。

import fileinput

print('<?xml version="1.0"?>\n<data>\n')
country=[]
for line in fileinput.input():
    country.append(line)
    if '</country>' in line:
        print(''.join(country), end='')
        country=[]
print('</data>\n')

为避免在条目之间打印虚假换行符，我使用end=''。如果您需要Python 2解决方案，the fix is different for Python2。

就个人而言，我会在Awk中写这个，这对于这类任务非常有效。

awk 'BEGIN { print "<?xml version=\"1.0\"?>\n<data>" }
    { b = b (b ? ORS : "" ) $0 }
    /<\/country>/ { print b; b=""; }
    END { print "</data>" }' country.xml

三元表达式(b ? ORS : "")仅在b不为空时添加换行符（输出记录分隔符），即避免在第一个成员之前添加换行符。

如何使用python脚本更正XML文件的格式（添加标题+添加队列+删除不完整的部分）

1 个答案: