我的 XML 文件包含超过 300 000 个条目,我的脚本每天都必须解析这些条目..
xml 的结构为:
<root>
<item>
<proper1></proper1>
<proper2></proper2>
</item>
</root>
我需要将大的 XML 文件拆分成较小的文件,以便我的 PHP 可以运行它们,目前它无法处理它,因为它使用了太多内存。 任何人都可以帮助我吗?
最佳答案
很大程度上取决于您的 XML 文件结构。
例如,您可以这样做(假设结构是您发布的结构,包括回车,否则事情会变得更复杂):
断行版本:如果格式“恰到好处”,则可以快速切割大型 XML 文件
如果文件格式不完全一样,则崩溃和刻录
$fp = fopen(XMLFILE, 'r');
$decl = fgets($fp, 1024); // Drop the XML declaration '<?xml...?>'
$root = fgets($fp, 1024); // Drop the root declaration
$n = 1;
while(!feof($fp)) {
$tag = fgets($fp, 1024);
if ('<item>' === $tag) {
isset($gp) || trigger_error('Unexpected state');
$gp = fopen("chunk{$n}.xml", 'w'); $n++;
// Write the header of the file we saved from before
fwrite($gp, $decl);
fwrite($gp, $root);
} else if ('</item>' === $tag) {
fwrite($gp, $tag);
fwrite($gp, '</root>');
fclose($gp); unset($gp);
continue;
}
if (!isset($gp)) {
if ('</root>' === $tag /* EOF */) {
break;
} else {
trigger_error('Unexpected state 2');
}
}
fwrite($gp, $tag);
}
fclose($fp);
isset($gp) || trigger_error('Unexpected state 3');
这样做的主要好处是允许您“回收”您的 XML 解析脚本(实际上,您可以在关闭 $gp 后立即调用 XML 解析脚本,或者更好的是,根本不写入任何文件,而是排队fwrites 在缓冲区上,并使用该缓冲区调用脚本)。
另一个优点是能够在不同的子服务器之间“外包”文件,例如,由于 DNS 解析、数据库调用、HTTP/SOAP 调用、需要反馈等原因,XML 处理时间很长。在这种情况下,您可以根据 ($n % NUM_CLIENTS) 将文件保存在不同的子目录中,并且每个客户端一次可以获取一个文件,处理并删除它并继续。
然而,最好的继续进行的方法是重写您的脚本,以便不将 XML 加载到内存中,而是使用 XML 解析器支持一次解析它。
折衷方案是使用 XML 解析器对 XML 文件进行切片并将其“按原样”提供给现有脚本。
XMLparse 版本:高效地对大型 XML 文件进行切片和切 block
无需担心 XML 实际上是如何组合在一起的
xmlparse 函数通过回调工作,即您将数据提供给一个入口点 (xml_parse),然后该入口点分析数据、拆分数据、将各种 block 路由到您定义的适当子函数。 xml_parse 将处理编码和空格,从而使您无需处理相同的问题,这是上述代码中最大的缺点之一。 xmlparse 核心本身不保存数据,因此即使对于千兆字节(或太字节)的文件,我们也可以实现常量内存实现。
那么让我们看看如何重写 XMLParser 的代码,并通过拆分给定标记的一定数量的重复来分块大文件。
即输入文件:
<root><item>(STUFF OF ITEM1)</item><item>(STUFF OF ITEM2)/item>....ITEM1234...</root>
输出文件:
FILE1: <root><item>(1)</item><item>(2)</item>...(5)</root>
FILE2: <root><item>(6)</item><item>(7)</item>...(10)</root>
...
我们通过编写一个 XMLparser 来实现这一点,它将提取 N(此处 N=5)项的每个“ block ”并将其提供给 block 处理器,该处理器在收到后......将其包装在标签之间,添加 XML header , 从而生成一个与原始大文件具有相同语法的文件,但只有五个项目。
为了保存在单独的文件中,我们跟踪 block 号。
function processChunk($lastChunk = false) {
GLOBAL $CHUNKS, $PAYLOAD, $ITEMCOUNT;
if ('' == $PAYLOAD) {
return;
}
$xp = fopen($file = "output-$CHUNKS.xml", "w");
fwrite($xp, '<?xml version="1.0"?>'."\n");
fwrite($xp, "<root>");
fwrite($xp, $PAYLOAD);
$lastChunk || fwrite($xp, "</root>");
fclose($xp);
print "Written {$file}\n";
$CHUNKS++;
$PAYLOAD = '';
$ITEMCOUNT = 0;
}
xmlparse 函数需要回调:一个接收标签 OPENING,一个标签 CLOSING,一个获取内容,另一个获取任何内容。我们对任何东西都不感兴趣,所以我们只填充前三个处理程序。
function startElement($xml, $tag, $attrs = array()) {
GLOBAL $PAYLOAD, $CHUNKS, $ITEMCOUNT, $CHUNKON;
if (!($CHUNKS||$ITEMCOUNT)) {
if ($CHUNKON == strtolower($tag)) {
$PAYLOAD = '';
}
}
$PAYLOAD .= "<{$tag}";
foreach($attrs as $k => $v) {
$PAYLOAD .= " {$k}=\"" .addslashes($v).'"';
}
$PAYLOAD .= '>';
}
function endElement($xml, $tag) {
GLOBAL $CHUNKON, $ITEMCOUNT, $ITEMLIMIT;
dataHandler(null, "</{$tag}>");
if ($CHUNKON == strtolower($tag)) {
if (++$ITEMCOUNT >= $ITEMLIMIT) {
processChunk();
}
}
}
function dataHandler($xml, $data) {
GLOBAL $PAYLOAD;
$PAYLOAD .= $data;
}
function defaultHandler($xml, $data) {
// a.k.a. Wild Text Fallback Handler, or WTFHandler for short.
}
为了清楚起见,createXMLParser 函数是独立的
function createXMLParser($CHARSET, $bareXML = false) {
$CURRXML = xml_parser_create($CHARSET);
xml_parser_set_option( $CURRXML, XML_OPTION_CASE_FOLDING, false);
xml_parser_set_option( $CURRXML, XML_OPTION_TARGET_ENCODING, $CHARSET);
xml_set_element_handler($CURRXML, 'startElement', 'endElement');
xml_set_character_data_handler($CURRXML, 'dataHandler');
xml_set_default_handler($CURRXML, 'defaultHandler');
if ($bareXML) {
xml_parse($CURRXML, '<?xml version="1.0"?>', 0);
}
return $CURRXML;
}
最后是进料循环,它打开 Mr. Big File 并将其发送到研磨机。
function chunkXMLBigFile($file, $tag = 'item', $howmany = 5) {
GLOBAL $CHUNKON, $CHUNKS, $ITEMLIMIT;
// Every chunk only holds $ITEMLIMIT "$CHUNKON" elements at most.
$CHUNKON = $tag;
$ITEMLIMIT = $howmany;
$xml = createXMLParser('UTF-8', false);
$fp = fopen($file, 'r');
$CHUNKS = 0;
while(!feof($fp)) {
$chunk = fgets($fp, 10240);
xml_parse($xml, $chunk, feof($fp));
}
xml_parser_free($xml);
// Now, it is possible that one last chunk is still queued for processing.
processChunk(true);
}
然后我们调用机器:“将 test.xml 分成 5 个项目标签实例”
ChunkXMLBigFile('test.xml', 'item', 5);
这个实现的运行速度大约是开始时愚蠢的分块器的五倍,但可以处理同一行中的标签,甚至可以扩展以验证 XML。
关于php - 如何使用 PHP 将一个大的 XML 文件拆分成多个小文件?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11374908/