Question

语言： - Python 2.7.6

文件大小： - 1.5 GB

XML格式

<myfeed>
    <product>
        <id>876543</id>
        <name>ABC</name>
        ....
     </product>

    <product>
        <id>876567</id>
        <name>DEF</name>
        ....
     </product>

    <product>
        <id>986543</id>
        <name>XYZ</name>
        ....
     </product>

我必须

A）读取所有节点<product>

B）删除其中一些节点（如果<id>属性的文本是python set（）

C）更新/更改几个节点（如果<id>属性的文本在python dict中

D）追加/写一些新节点

问题是我的XML文件很大（大约1.5 GB）。我做了一些研究并决定将lxml用于所有这些目的。

我正在尝试使用iterparse（）和element.clear（）来实现这一点，因为它不会占用我所有的内存。

for event, element in etree.iterparse(big_xml_file,tag = 'product'):
        for child in element:
            if child.tag == unique_tag:
                if child.text in products_id_hash_set_to_delete: #python set()
                    #delete this element node

                else:
                    if child.text in products_dict_to_update:
                        #update this element node  
                        else:
                            print child.text
        element.clear()

注意： - 我希望在XML文件的一次扫描中实现所有这4项任务

问题

1）我可以在一次扫描文件中实现所有这些吗？

2）如果是，如何删除和更新我正在处理的元素节点？

3）我应该使用tree.xpath（）吗？如果是，它将为1.5 GB文件消耗多少内存，或者它的工作方式与iterparse（）

相同

我在python方面不是很有经验。我来自Java背景。

Answer 1

您无法就地编辑XML文件。您必须将输出写入新的（临时）文件，然后用新文件替换原始文件。

所以基本算法是：

遍历所有元素。
如果该节点是要删除的节点，请继续执行下一个元素
如果要更改节点，请更改其值
写出节点«««这是你缺少的关键部分
当您即将完成处理作为其中一个新节点的父节点的节点时，请写出新节点，并将其从新节点集合中删除。
关闭输出文件
重命名。

回答补充问题：您需要意识到XML文件是一个（长）字符串。如果你想插入一个角色，你必须将所有其他角色洗牌;如果你想删除一个角色，你必须将所有其他角色混乱。你不能用文件做到这一点;你不能只从文件中间删除一个字符。

如果你有数百万个元素（这是一个真正的问题，而不是一个类的练习），那么你需要使用一个数据库。当有人说“数据库”时，SQLite是我的第一个想法，但正如Charles Duffy在下面指出的那样，如果已经拥有XML，XQuery数据库可能是一个更好的起点。有关一些开源实现，请参阅BaseX或eXist。

使用lxml修改大型xml文件

1 个答案: