我不确定以前是否有人问过这个问题,但我找不到它,请原谅我的无知。我想解析(流解析)大约 40 Gig 的维基百科 xml 转储。我正在尝试使用 lxml iterparse aka 流解析器来为我完成这项工作,但由于某种原因,我编写的代码对我不起作用。在我解释我想做什么之前,让我们考虑一下这种 xml 格式
<root>
<page>
<title> A </title>
<text> ..........blah blah...... </text>
</page>
<page>
<title> B </title>
<text> This is a line of sample text in title B </text>
</page>
<page>
<title> C </title>
<text> ............blah blah........ </text>
</page>
</root>
在上面的 xml 结构中,这是 wiki 转储所具有的,我想做的是使用 python 流解析器读取“页面”标签(基本上分隔转储中的不同文章)内的每一件事作为 lxml(不将整个 xml 树加载到内存中,这是不可能的)并对其执行正则表达式。正是我想要做的是,如果在当前的“page”元素中查找“Category:Living People”文本标签内的内容,如果找到这样匹配的正则表达式,则将“text”标签内的全部内容写成文本文件。但在正则表达式部分之前,我遇到了 lxml 解析器本身的问题。我在下面尝试的示例代码。提前致谢:)
#LXML parser
from lxml import etree
def fast_iter(context, func):
for event, elem in context:
func(elem)
elem.clear()
while elem.getprevious() is not None:
del elem.getparent()[0]
del context
def process_element(elem):
print elem.xpath( 'description/text( )' )
context = etree.iterparse( MYFILE, tag='item' )
fast_iter(context,process_element)
请随意完全更改代码并提供您自己的版本,只要我解决了我的问题,我真的不介意!
请有人帮忙!
最佳答案
from xml.sax import ContentHandler, parseString
from StringIO import StringIO
from lxml import etree
CONTENT = """
<root>
<page>
<title> A </title>
<text> ..........blah blah...... </text>
</page>
<page>
<title> B </title>
<text> This is a line of sample text in title B </text>
</page>
<page>
<title> C </title>
<text> ............blah blah........ </text>
</page>
</root>
"""
def fast_iter(context, func):
for action, elem in context:
func(elem)
elem.clear()
while elem.getprevious() is not None:
del elem.getparent()[0]
del context
def process_element(elem):
print elem.xpath( './text/text( )' )
class WikiContentHandler(ContentHandler):
def startDocument(self):
self.character_buffer = None
def startElement(self, name, attrs):
if name == 'text':
self.character_buffer = StringIO()
def endElement(self, name):
if name == 'text':
print self.character_buffer.getvalue()
self.character_buffer.close()
self.character_buffer = None
def characters(self, content):
if self.character_buffer != None:
self.character_buffer.write(content)
def parse_wiki():
parseString(CONTENT, WikiContentHandler())
if __name__ == '__main__':
parse_wiki()
context = etree.iterparse( StringIO(CONTENT), tag='page' )
fast_iter(context, process_element)
以上是两种解析XML的方式,一种是使用lxml,另一种是使用Python标准库。两者都打印出<text>
中的所有信息标签。只需查看打印语句的位置并进行额外处理即可。
关于python - 流解析 Wiki Xml 转储,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/13677720/