Question

这是一个简单的XML文件：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<root>
  <someThing>
    Text A: This is a test line.
    <p>Some paragraph.</p>
    Text B: This is another test line.
    <p>Some other paragraph.</p>
    Text C: And even another test line.
  </someThing>
</root>

尽管测试XML文件非常小，但我要处理的实际文件却相当大：几GB。因此，我想使用以下Python代码使用iterparse（）解析此文件。

import xml.etree.ElementTree as etree
FILE_NAME = "test.xml"
for event, element in etree.iterparse(FILE_NAME, events=("start", "end", "start-ns", "end-ns")):
        print(event, "\t", element, "\t", repr(element.text))

如果运行此命令，则会得到以下输出：

start    <Element 'root' at 0x7fd96a6aa728>      '\n\t'
start    <Element 'someThing' at 0x7fd968fba688>     '\n\t\tText A: This is a test line.\n\t\t'
start    <Element 'p' at 0x7fd968fcaf48>     'Some paragraph.'
end      <Element 'p' at 0x7fd968fcaf48>     'Some paragraph.'
start    <Element 'p' at 0x7fd968fcaf98>     'Some other paragraph.'
end      <Element 'p' at 0x7fd968fcaf98>     'Some other paragraph.'
end      <Element 'someThing' at 0x7fd968fba688>     '\n\t\tText A: This is a test line.\n\t\t'
end      <Element 'root' at 0x7fd96a6aa728>      '\n\t'

您会看到<p>元素之后的文本元素被忽略。

我的问题是：我该如何使用LXML API正确处理此文件的内容？到目前为止，我能找到的与该主题有关的所有示例都与我的短代码没什么不同，因此也遇到了相同的问题。如果无法使用LXML做到这一点，那么有人知道我可以使用其他XML解析器吗，并提供一个简短的示例吗？

Answer 1

根据用户mzjn的友好注释，可以使用LXML进行操作：有一个tail属性，缺少的文本将附加到该属性。但这可能不是最佳方法，原因如下：

LXML不可避免地会构造一棵大树（当然，在处理事件期间，可以部分地将其截断，但这远非最佳选择）
没有用于解析两个元素之间的文本的干净事件，因此您必须通过解析tail来解决此问题。

替代解决方案：直接使用SAX API。

示例：

import xml.sax

FILE_NAME = "test.xml"

class MyHandler(xml.sax.handler.ContentHandler):

    def startElement(self, name, attrs):
        print("startElement\t" + repr(name))

    def endElement(self, name):
        print("endElement\t" + repr(name))

    def startElementNS(self, name, qname, attrs):
        print("startElementNS\t" + repr(name))

    def endElementNS(self, name, qname):
        print("endElementNS\t" + repr(name))

    def characters(self, content):
        print("  chars\t\t" + repr(content))

contentHandler = MyHandler()
xml.sax.parse(FILE_NAME, contentHandler)

上面的示例将是处理大型XML文件的一个很好的起点。方法characters()将为每个已解析的文本调用。实体被解码并导致对characters()的调用，因此很容易收集存储在XML元素上的所有文本。如果您实现了一个简单的堆栈，该堆栈在内容处理程序中对startElement()和endElement()的调用上会增加和减少，则可以轻松解析树的特定部分，而无需处理。< / p>

如何在LXML中使用iterparse（）正确处理文本元素？

1 个答案: