Question

我正在尝试使用lxml和iterparse方法编写一个解析器来逐步执行包含许多项的非常大的xml文件。

我的文件格式为：

<item>
  <title>Item 1</title>
  <desc>Description 1</desc>
  <url>
     <item>http://www.url1.com</item>
  </url>
</item>
<item>
  <title>Item 2</title>
  <desc>Description 2</desc>
  <url>
     <item>http://www.url2.com</item>
  </url>
</item>

到目前为止我的解决方案是：

from lxml import etree

context = etree.iterparse( MYFILE, tag='item' )

for event, elem in context :
      print elem.xpath( 'description/text( )' )
      elem.clear( )
      while elem.getprevious( ) is not None :
            del elem.getparent( )[0]

del context

当我运行它时，我会得到类似的东西：

[]
['description1']
[]
['description2']

空白集是因为它还将子项的项标记拉出到url标记，并且它们显然没有用xpath提取的描述字段。我希望逐个解析每个项目，然后根据需要处理子字段。我有点只是学习lxml图书馆，所以我很好奇是否有办法拉出主要项目，如果遇到任何子项目？

Answer 1

核心实现无论如何都要解析整个xml。 etree.iterparse只是生成器样式中的一个视图，它通过标记名称提供简单的过滤（请参阅docstring http://lxml.de/api/lxml.etree.iterparse-class.html）。如果你想要一个复杂的过滤，你应该自己做。

解决方案：注册启动事件：

iterparse(self, source, events=("start", "end",), tag="item")

当你是“item / url / item”时，

并且有一个bool知道你何时在“item”结束。

使用Python lxml和Iterparse解析大型XML文件

1 个答案: