python - 使用 python ElementTree 内存不足

Question

编辑:将来任何人都会遇到这个问题，我使用的解决方案是切换到 cElementTree。它不仅运行时内存更少，而且速度明显更快。

这适用于大小最大约为 600mb 的文件，大于此值并且我的内存不足(我有一台 16GB 的机器)。我可以做些什么来分块读取文件，或者一次读取一定比例的 xml，或者是否有内存密集程度较低的方法？

import csv
import xml.etree.ElementTree as ET
from lxml import etree
import time
import sys

def main(argv):
    start_time = time.time()

#file_name = 'sample.xml'
file_name = argv
root = ET.ElementTree(file=file_name).getroot() 
csv_file_name = '.'.join(file_name.split('.')[:-1]) + ".txt"
print '\n'
print 'Output file:'
print csv_file_name

with open(csv_file_name, 'w') as file_:
    writer = csv.writer(file_, delimiter="\t")
    header = [ <the names of the tags here> ]
    writer.writerow(header)
    tags = [
        <bunch of xml tags here>    
            ]

    #write the values
#     for index in range(8,1000):
    for index in range(3,len(root)):
        #print index
        row=[]
        for tagindex,val in enumerate(tags):
            searchQuery = "tags"+tags[tagindex]
#             print searchQuery
#             print root[index]
#             print root[index].find(searchQuery).text
            if (root[index].find(searchQuery) is None) or (root[index].find(searchQuery).text == None):
                row.extend([""])
                #print tags[tagindex]+" blank"
            else:
                row.extend([root[index].find(searchQuery).text])
                #print tags[tagindex]+" "+root[index].find(searchQuery).text
        writer.writerow(row)


    #for i,child in enumerate(root):
        #print root[i]
    print '\nNumber of elements is: %s' % len(root)

print '\nTotal run time: %s seconds' % (time.time() - start_time)

if __name__ == "__main__":
    main(sys.argv[1])

Answer 1

一些提示:

• 使用lxml，性能非常好
• 使用iterparse，它可以逐段处理您的文档

但是，iterparse 可能会让您感到惊讶，并且您最终可能会消耗大量内存。为了克服这个麻烦，您必须清除对已处理项目的引用，如我最喜欢的关于 effective lxml usage 的文章中所述。

使用优化的 iterparse 的示例脚本 fastiterparse.py

安装docopt和lxml

$ pip install lxml docopt

编写脚本:

"""For all elements with given tag prints value of selected attribute
Usage:
    fastiterparse.py <xmlfile> <tag> <attname>
    fastiterparse.py -h
"""
from lxml import etree
from functools import partial

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 printattname(elem, attname):
    print elem.attrib[attname]

def main(fname, tag, attname):

    fun = partial(printattname, attname=attname)
    with open(fname) as f:
        context = etree.iterparse(f, events=("end",), tag=tag)
        fast_iter(context, fun)

if __name__ == "__main__":
    from docopt import docopt
    args = docopt(__doc__)
    main(args["<xmlfile>"], args["<tag>"], args["<attname>"])

尝试调用它:

$ python fastiterparse.py                                               
Usage:
    fastiterparse.py <xmlfile> <tag> <attname>
    fastiterparse.py -h

使用它(在您的文件上):

$ python fastiterparse.py large.xml ElaboratedRecord id
rec26872
rec25887
rec26873
rec26874

结论(使用fast_iter方法)

主要要点是 fast_iter 函数(或者至少记住清除未使用的元素，删除它们，最后删除上下文

测量结果表明，在某些情况下，在没有 clear 和 del 的情况下，脚本运行速度稍慢，但差异并不显着。优点是目前内存有限，因为当它开始交换时，优化版本会变得更快，并且如果内存不足，没有太多其他选择。