php - 如何使用 PHP 将一个大的 XML 文件拆分成多个小文件？

Question

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？

Answer 1

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。