Question

我必须使用如下结构解析1Gb XML文件，并在“Author”和“Content”标签中提取文本：

<Database>
    <BlogPost>
        <Date>MM/DD/YY</Date>
        <Author>Last Name, Name</Author>
        <Content>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas dictum dictum vehicula.</Content>
    </BlogPost>

    <BlogPost>
        <Date>MM/DD/YY</Date>
        <Author>Last Name, Name</Author>
        <Content>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas dictum dictum vehicula.</Content>
    </BlogPost>

    [...]

    <BlogPost>
        <Date>MM/DD/YY</Date>
        <Author>Last Name, Name</Author>
        <Content>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas dictum dictum vehicula.</Content>
    </BlogPost>
</Database>

到目前为止，我已经尝试了两件事：i）读取整个文件并使用.find（xmltag）和ii）使用lxml和iterparse（）解析xml文件。第一个选择我已经让它工作了，但它很慢。第二种选择我没有设法让它开始。

这是我所拥有的一部分：

for event, element in etree.iterparse(path_to_file, tag="BlogPost"):
    if element.tag == "BlogPost":
        print element.text
    else:
        print 'Finished'

结果只是空格，没有文字。

我一定是做错了什么，但我无法理解。另外，如果它不够明显，我对python很新，这是我第一次使用lxml。请帮助！

Answer 1

for event, element in etree.iterparse(path_to_file, tag="BlogPost"):
    for child in element:
        print child.tag, child.text
    element.clear()

最后的清除会阻止你使用太多内存。

[update：]获取“作为字符串之间的所有内容”我猜您想要其中一个：

for event, element in etree.iterparse(path_to_file, tag="BlogPost"):
    print etree.tostring(element)
    element.clear()

或

for event, element in etree.iterparse(path_to_file, tag="BlogPost"):
    print ''.join([etree.tostring(child) for child in element])
    element.clear()

或者甚至是：

for event, element in etree.iterparse(path_to_file, tag="BlogPost"):
    print ''.join([child.text for child in element])
    element.clear()

Answer 2

对于未来的搜索者：这里的最佳答案建议在每次迭代时清除元素，但这仍然会留下一组不断增加的空元素，这些元素将在内存中慢慢积累：

for event, element in etree.iterparse(path_to_file, tag="BlogPost"):
    for child in element:
        print child.tag, child.text
    element.clear()

^这不是一个可扩展的解决方案，尤其是当您的源文件变得越来越大时。更好的解决方案是获取 root 元素，并在每次加载完整记录时清除。这将使内存使用保持相当稳定（我会说不到20MB）。

这是一个不需要查找特定标签的解决方案。此函数将返回一个生成器，该生成器在根节点下生成所有第一个子节点（例如<BlogPost>元素）（例如<Database>）。它通过在根节点之后记录第一个标记的开头，然后等待相应的结束标记，产生整个元素，然后清除根节点来完成此操作。

from lxml import etree

xmlfile = '/path/to/xml/file.xml'

def iterate_xml(xmlfile):
    doc = etree.iterparse(xmlfile, events=('start', 'end'))
    _, root = next(doc)
    start_tag = None
    for event, element in doc:
        if event == 'start' and start_tag is None:
            start_tag = element.tag
        if event == 'end' and element.tag == start_tag:
            yield element
            start_tag = None
            root.clear()

Answer 3

我更喜欢XPath这样的事情：

In [1]: from lxml.etree import parse

In [2]: tree = parse('/tmp/database.xml')

In [3]: for post in tree.xpath('/Database/BlogPost'):
   ...:     print 'Author:', post.xpath('Author')[0].text
   ...:     print 'Content:', post.xpath('Content')[0].text
   ...: 
Author: Last Name, Name
Content: Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas dictum dictum vehicula.
Author: Last Name, Name
Content: Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas dictum dictum vehicula.
Author: Last Name, Name
Content: Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas dictum dictum vehicula.

但是，我不确定在处理大文件方面是否有所不同。关于这一点的评论将不胜感激。

按照自己的方式行事，

for event, element in etree.iterparse(path_to_file, tag="BlogPost"):
     for info in element.iter():
         if info.tag in ('Author', 'Content'):
             print info.tag, ':', info.text

使用lxml和iterparse（）来解析一个大的（+ - 1Gb）XML文件

3 个答案: