迭代SAX

Question

我有一个这样的xml（只是一个例子）：

<xml>
  <page>
    <lol>
    </lol>
    <lel>
    </lel>
  </page>
  <page>
    <lol>
    </lol>
    <lel>
    </lel>
  </page>
  <page>
    <lol>
    </lol>
    <lel>
    </lel>
  </page>
</xml>

我需要一种方法来做这样的事情：

#Sax code

for page in something:
  parse(page)

我如何用sax做到这一点？

xml文件包含30GB的数据。

Answer 1

请勿使用SAX，而是使用ElementTree：

from xml.etree import cElementTree as ET

for event, elem in ET.iterparse("/path/to/your/file"):
    if elem.tag == 'page':
        # do your processing
        elem.clear()

elem.clear()调用非常重要，否则您将把所有已处理的元素保留在内存中并最终消耗掉所有RAM。元素对象是轻量级的DOM对象，因此与SAX相比，它们非常易于使用。

如果单个page元素已经太大而无法满足您的记忆，则必须恢复为SAX，但我从您的示例中假设有许多小page元素而不是少数大的。

Answer 2

使用xml.sax执行此操作的最有效和pythonic方法是使用 parser.feed（）方法。

示例：

parser = xml.sax.make_parser()
parser.setContentHandler(YourContentHandler)

f = open('terribly_large.xml', 'r')
for line in f.xreadlines():
    parser.feed(line)

这确保您既可以逐步读取文件，也可以逐步解析文件。

最终的内存占用量应该很小。

Answer 3

您可以在线程中使用sax解析器。当它检测到完整的fage时，会将其推送到队列中。在主线程中，遍历队列。

Answer 4

使用Dom而不是Sax，sax会在出现像启动元素或文本这样的兴趣内容时保持火灾事件，但如果你想迭代文件，请使用dom link可以帮助你。

更新：

30GB必须使用SAX