所以我正在尝试使用 Nokogiri 解析一个 400k+ 行的 XML 文件。
XML 文件具有以下基本格式:
<?xml version="1.0" encoding="windows-1252"?>
<JDBOR date="2013-09-01 04:12:31" version="1.0.20 [2012-12-14]" copyright="Orphanet (c) 2013">
<DisorderList count="6760">
*** Repeated Many Times ***
<Disorder id="17601">
<OrphaNumber>166024</OrphaNumber>
<Name lang="en">Multiple epiphyseal dysplasia, Al-Gazali type</Name>
<DisorderSignList count="18">
<DisorderSign>
<ClinicalSign id="2040">
<Name lang="en">Macrocephaly/macrocrania/megalocephaly/megacephaly</Name>
</ClinicalSign>
<SignFreq id="640">
<Name lang="en">Very frequent</Name>
</SignFreq>
</DisorderSign>
</Disorder>
*** Repeated Many Times ***
</DisorderList>
</JDBOR>
这是我创建的用于解析每个 DisorderSign id 和名称并将其返回到数据库中的代码:
require 'nokogiri'
sympFile = File.open("Temp.xml")
@doc = Nokogiri::XML(sympFile)
sympFile.close()
symptomsList = []
@doc.xpath("////DisorderSign").each do |x|
signId = x.at('ClinicalSign').attribute('id').text()
name = x.at('ClinicalSign').element_children().text()
symptomsList.push([signId, name])
end
symptomsList.each do |x|
Symptom.where(:name => x[1], :signid => Integer(x[0])).first_or_create
end
这对我使用的测试文件非常有效,尽管它们要小得多,大约 10000 行。
当我尝试在大型 XML 文件上运行它时,它根本无法完成。我把它放在一夜之间,它似乎只是锁定了。我编写的代码是否有任何根本原因会使它占用大量内存或效率低下?我意识到我将所有可能的对都存储在一个列表中,但它的大小不足以填满内存。
感谢您的帮助。
最佳答案
我看到了一些可能的问题。首先,这个:
@doc = Nokogiri::XML(sympFile)
会将整个 XML 文件作为某种 libxml2 数据结构存入内存,并且可能比原始 XML 文件大。
然后你做这样的事情:
@doc.xpath(...).each
这可能不够聪明,无法生成一个仅维护指向 XML 内部形式的指针的枚举器,它可能在构建 NodeSet
时生成所有内容的副本。那xpath
返回。这将为您提供 XML 的大部分内存扩展版本的另一个副本。我不确定这里发生了多少复制和数组构造,但即使它不复制所有内容,也有相当多的内存和 CPU 开销空间。
然后复制您感兴趣的内容:
symptomsList.push([signId, name])
最后遍历该数组:
symptomsList.each do |x|
Symptom.where(:name => x[1], :signid => Integer(x[0])).first_or_create
end
我发现 SAX parsers使用大型数据集效果更好,但使用起来更麻烦。您可以尝试像这样创建自己的 SAX 解析器:
class D < Nokogiri::XML::SAX::Document
def start_element(name, attrs = [ ])
if(name == 'DisorderSign')
@data = { }
elsif(name == 'ClinicalSign')
@key = :sign
@data[@key] = ''
elsif(name == 'SignFreq')
@key = :freq
@data[@key] = ''
elsif(name == 'Name')
@in_name = true
end
end
def characters(str)
@data[@key] += str if(@key && @in_name)
end
def end_element(name, attrs = [ ])
if(name == 'DisorderSign')
# Dump @data into the database here.
@data = nil
elsif(name == 'ClinicalSign')
@key = nil
elsif(name == 'SignFreq')
@key = nil
elsif(name == 'Name')
@in_name = false
end
end
end
结构应该非常清晰:您观察您感兴趣的元素的开头,并在执行时做一些簿记设置,然后缓存字符串(如果您在您关心的元素中) ,最后在元素关闭时清理和处理数据。你的数据库工作将取代
# Dump @data into the database here.
评论。
这种结构使得观察 <Disorder id="17601">
变得非常容易。元素,以便您可以跟踪您走了多远。这样您就可以通过对脚本进行一些小的修改来停止和重新启动导入。
关于ruby - 使用 Nokogiri 解析大型 XML,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/19866226/