xml - 在 Perl 中从 XML 文件中提取一些元素值的最快方法是什么？

Question

我有一堆大小约为 1-2 兆字节的 XML 文件。实际上，不止一堆，还有数百万。它们都是格式正确的，许多甚至针对它们的模式进行了验证(使用 libxml2 确认)。

所有这些都是由同一个应用程序创建的，因此它们的格式一致(尽管这在理论上可能会在未来发生变化)。

我想从 Perl 脚本中检查每个文件中一个元素的值。速度很重要(我希望每个文件花费的时间少于一秒)并且如前所述，我已经知道文件格式正确。

我非常想简单地在 Perl 中“打开”文件并扫描直到我看到我正在寻找的元素，获取值(接近文件开头)，然后关闭文件。

另一方面，我可以使用 XML 解析器(这可能会保护我免受 future XML 格式更改的影响)，但我怀疑它会比我想要的慢。

谁能推荐合适的方法和/或解析器？

提前致谢。

更新

这是我试图提取的数据的结构/复杂性:

<doc>
  ...
  <someparentnode attrib="notme" attrib2="5">
    <node>Not this one</node>
  </someparentnode>
  <someparentnode attrib="pickme" attrib2="5">
    <node>This is the data I want</node>
  </someparentnode>
  <someparentnode attrib="notme" 
     attrib2="reallyreallylonglineslikethisonearewrapped">
    <node>Not this one either and it may be 
      wrapped too.</node>
  </someparentnode>
  ...    
</doc>

层次结构比这更深几层，但我认为这涵盖了我正在尝试做的各种事情。

Answer 1

2 个独立的 XML 感知选项(我写的，所以我可能有偏见;--)是 xml_grep(包含在 XML::Twig 中)和 xml_grep2 (在 App::xml_grep2 中)。

您可以编写 xml_grep -t '*[@attrib="pickme"]' *.xml 或 xml_grep2 -t '//*[@attrib="pickme"]' *.xml(-t 选项将结果作为文本而不是 XML)。 同样，在这两种情况下，所有文档都将被解析，但 xml_grep 的下一版本将添加一个选项来限制每个文件的结果数量，并在达到此数量时立即停止解析每个文件达到。

否则，如果您需要速度并且需要集成代码，您可以使用 XML::Twig，在您想要的元素上触发处理程序，并调用 finish_now 当您找到它时，它将中止解析并继续处理下一个文件。

XML::LibXML 也是一个选项，尽管您随后必须完全解析每个文档并使用 XPath(简单但可能更慢)、使用 SAX(可能更快但编码起来很痛苦)或使用 pull-解析器(可能是最好的选择，但我从未使用过)。

更新 更新后:带有 XML::Twig 的代码如下所示:

#!/usr/bin/perl
use strict;
use warnings;

use XML::Twig;

my $twig= XML::Twig->new( twig_handlers => { '*[@attrib="pickme"]' => \&pickme });

foreach my $file (@ARGV)
  { $twig->parsefile( $file); }

sub pickme
  { my( $twig, $node)= @_;
    print $node->text, "\n";
    $twig->finish_now;
  }