6.4 增量式解析大型XML文件

問(wèn)題

你想使用盡可能少的內(nèi)存從一個(gè)超大的XML文檔中提取數(shù)據(jù)。

解決方案

任何時(shí)候只要你遇到增量式的數(shù)據(jù)處理時(shí)，第一時(shí)間就應(yīng)該想到迭代器和生成器。下面是一個(gè)很簡(jiǎn)單的函數(shù)，只使用很少的內(nèi)存就能增量式的處理一個(gè)大型XML文件：

from xml.etree.ElementTree import iterparse

def parse_and_remove(filename, path):
    path_parts = path.split('/')
    doc = iterparse(filename, ('start', 'end'))
    # Skip the root element
    next(doc)

    tag_stack = []
    elem_stack = []
    for event, elem in doc:
        if event == 'start':
            tag_stack.append(elem.tag)
            elem_stack.append(elem)
        elif event == 'end':
            if tag_stack == path_parts:
                yield elem
                elem_stack[-2].remove(elem)
            try:
                tag_stack.pop()
                elem_stack.pop()
            except IndexError:
                pass

為了測(cè)試這個(gè)函數(shù)，你需要先有一個(gè)大型的XML文件。通常你可以在政府網(wǎng)站或公共數(shù)據(jù)網(wǎng)站上找到這樣的文件。例如，你可以下載XML格式的芝加哥城市道路坑洼數(shù)據(jù)庫(kù)。在寫(xiě)這本書(shū)的時(shí)候，下載文件已經(jīng)包含超過(guò)100,000行數(shù)據(jù)，編碼格式類(lèi)似于下面這樣：

假設(shè)你想寫(xiě)一個(gè)腳本來(lái)按照坑洼報(bào)告數(shù)量排列郵編號(hào)碼。你可以像這樣做：

from xml.etree.ElementTree import parse
from collections import Counter

potholes_by_zip = Counter()

doc = parse('potholes.xml')
for pothole in doc.iterfind('row/row'):
    potholes_by_zip[pothole.findtext('zip')] += 1
for zipcode, num in potholes_by_zip.most_common():
    print(zipcode, num)

這個(gè)腳本唯一的問(wèn)題是它會(huì)先將整個(gè)XML文件加載到內(nèi)存中然后解析。在我的機(jī)器上，為了運(yùn)行這個(gè)程序需要用到450MB左右的內(nèi)存空間。如果使用如下代碼，程序只需要修改一點(diǎn)點(diǎn)：

from collections import Counter

potholes_by_zip = Counter()

data = parse_and_remove('potholes.xml', 'row/row')
for pothole in data:
    potholes_by_zip[pothole.findtext('zip')] += 1
for zipcode, num in potholes_by_zip.most_common():
    print(zipcode, num)

結(jié)果是：這個(gè)版本的代碼運(yùn)行時(shí)只需要7MB的內(nèi)存–大大節(jié)約了內(nèi)存資源。

討論

這一節(jié)的技術(shù)會(huì)依賴(lài) ElementTree 模塊中的兩個(gè)核心功能。第一，iterparse() 方法允許對(duì)XML文檔進(jìn)行增量操作。使用時(shí)，你需要提供文件名和一個(gè)包含下面一種或多種類(lèi)型的事件列表：start , end, start-ns 和 end-ns 。由 iterparse() 創(chuàng)建的迭代器會(huì)產(chǎn)生形如 (event, elem) 的元組，其中 event 是上述事件列表中的某一個(gè)，而 elem 是相應(yīng)的XML元素。例如：

>>> data = iterparse('potholes.xml',('start','end'))
>>> next(data)
('start', <Element 'response' at 0x100771d60>)
>>> next(data)
('start', <Element 'row' at 0x100771e68>)
>>> next(data)
('start', <Element 'row' at 0x100771fc8>)
>>> next(data)
('start', <Element 'creation_date' at 0x100771f18>)
>>> next(data)
('end', <Element 'creation_date' at 0x100771f18>)
>>> next(data)
('start', <Element 'status' at 0x1006a7f18>)
>>> next(data)
('end', <Element 'status' at 0x1006a7f18>)
>>>

start 事件在某個(gè)元素第一次被創(chuàng)建并且還沒(méi)有被插入其他數(shù)據(jù)(如子元素)時(shí)被創(chuàng)建。而 end 事件在某個(gè)元素已經(jīng)完成時(shí)被創(chuàng)建。盡管沒(méi)有在例子中演示，start-ns 和 end-ns 事件被用來(lái)處理XML文檔命名空間的聲明。

這本節(jié)例子中，start 和 end 事件被用來(lái)管理元素和標(biāo)簽棧。棧代表了文檔被解析時(shí)的層次結(jié)構(gòu)，還被用來(lái)判斷某個(gè)元素是否匹配傳給函數(shù) parse_and_remove() 的路徑。如果匹配，就利用 yield 語(yǔ)句向調(diào)用者返回這個(gè)元素。

在 yield 之后的下面這個(gè)語(yǔ)句才是使得程序占用極少內(nèi)存的ElementTree的核心特性：

elem_stack[-2].remove(elem)

這個(gè)語(yǔ)句使得之前由 yield 產(chǎn)生的元素從它的父節(jié)點(diǎn)中刪除掉。假設(shè)已經(jīng)沒(méi)有其它的地方引用這個(gè)元素了，那么這個(gè)元素就被銷(xiāo)毀并回收內(nèi)存。

對(duì)節(jié)點(diǎn)的迭代式解析和刪除的最終效果就是一個(gè)在文檔上高效的增量式清掃過(guò)程。文檔樹(shù)結(jié)構(gòu)從始自終沒(méi)被完整的創(chuàng)建過(guò)。盡管如此，還是能通過(guò)上述簡(jiǎn)單的方式來(lái)處理這個(gè)XML數(shù)據(jù)。

這種方案的主要缺陷就是它的運(yùn)行性能了。我自己測(cè)試的結(jié)果是，讀取整個(gè)文檔到內(nèi)存中的版本的運(yùn)行速度差不多是增量式處理版本的兩倍快。但是它卻使用了超過(guò)后者60倍的內(nèi)存。因此，如果你更關(guān)心內(nèi)存使用量的話，那么增量式的版本完勝。