Python tree.iterparse导出所选元素的源XML,包括所有子体
Python 3.4,使用etree.iterparse解析GB++大小的XML Wikipedia转储文件。我想在当前匹配的Python tree.iterparse导出所选元素的源XML,包括所有子体,python,elementtree,iterparse,Python,Elementtree,Iterparse,Python 3.4,使用etree.iterparse解析GB++大小的XML Wikipedia转储文件。我想在当前匹配的元素中测试其值,然后根据后一个值导出整个对象的源XML及其所有内容,包括嵌套在其中的任何元素,即整篇文章的XML 我可以迭代对象并找到我想要的对象,但是所有可用的函数似乎都想要读取文本/属性值,而我只是想要一个源文件XML代码的utf8字符串副本,用于完整的范围对象。这可能吗 XML的精简版本如下所示: 一些文章 0 2017-07-27T00:59:41Z 一些文本
元素中测试其
值,然后根据后一个值导出整个
对象的源XML及其所有内容,包括嵌套在其中的任何元素,即整篇文章的XML
我可以迭代
对象并找到我想要的对象,但是所有可用的函数似乎都想要读取文本/属性值,而我只是想要一个源文件XML代码的utf8字符串副本,用于完整的范围
对象。这可能吗
XML的精简版本如下所示:
一些文章
0
2017-07-27T00:59:41Z
一些文本
用户:Wonychifans
2.
废话
让我进行
值测试的python代码如下:
从lxml导入etree
#存储所有元素的名称空间字符串(仅在Wikipedia XML文档中使用一个)
名称空间={http://www.mediawiki.org/xml/export-0.10/}'
ns={'wiki':'http://www.mediawiki.org/xml/export-0.10/'}
context=etree.iterparse('src.xml',events=('end',))
对于事件,上下文中的元素:
#在解析每个
如果elem.tag==(名称空间+‘页面’)和event==‘结束’:
tagNs=elem.find('wiki:ns',ns)
如果标记不是无:
nsValue=tagNs.text
如果nsValue==“2”:
#导出当前的XML代码
在本例中,我只想提取第二个
元素的XML代码,即包含以下内容的字符串:
用户:Wonychifans
2.
废话
编辑:较小的打字错误和更好的标记您可以这样做
>>> from lxml import etree
>>> mediawiki = etree.iterparse('mediawiki.xml')
>>> page_content = {}
>>> for ev, el in mediawiki:
... if el.tag=='page':
... if page_content['ns']=='2':
... print (page_content)
... page_content = {}
... else:
... page_content[el.tag.replace('{http://www.mediawiki.org/xml/export-0.10/}', '')] = \
... el.text.strip() if el.text else None
...
>>> page_content
{'mediawiki': '', 'revision': '', 'timestamp': '2017-07-27T00:59:41Z', 'title': 'User:Wonychifans', 'page': '', 'text': 'blah blah', 'ns': '2'}
因为输出xml的结构非常简单,所以从字典构造它应该不会有困难
编辑:尽管这种方法需要两次通过xml文件,但速度可能更快,而且确实可以恢复所需的xml
首先,查找页面
元素的起始行
>>> from lxml import etree
>>> mediawiki = etree.iterparse('mediawiki.xml', events=("start", "end"))
>>> for ev, el in mediawiki:
... tag = el.tag[1+el.tag.rfind('}'):]
... if ev=='start' and tag=='page':
... keep=False
... if ev=='start' and tag=='ns' and el.text=='2':
... keep=True
... if ev=='end' and tag=='page' and keep:
... print (el.sourceline)
...
10
再次浏览xml,使用起始点查找完整的页面
条目
>>> with open('mediawiki.xml') as mediawiki:
... for _ in range(9):
... r = next(mediawiki)
... for line in mediawiki:
... print (line.strip())
... if '</page>' in line:
... break
...
<page>
<title>User:Wonychifans</title>
<ns>2</ns>
<revision>
<text xml:space="preserve">blah blah</text>
</revision>
</page>
>将open('mediawiki.xml')作为mediawiki:
... 对于范围(9)内的uu:
... r=下一个(mediawiki)
... 对于mediawiki中的行:
... 打印(line.strip())
... 如果“”在第行中:
... 打破
...
用户:Wonychifans
2.
废话
我已将比尔·贝尔的答案标记为已被接受,因为它有助于我找到最终解决方案,其核心内容如下。外部循环允许我循环50多个源XML文件
由于某些源很大,代码会在循环中检查复制的源数据是否超过1GB。如果是这样,则会将数据写入文件,并清除缓冲区字符串变量。否则,所有提取的数据将在读取源文件结束时写入
进一步的改进是监视输出文件的大小,并在超过给定大小时切换输出源。在这种情况下,每次运行脚本时只扫描整个源代码集的一部分更容易
为了简洁起见,我删除了一些日志记录和打印语句:
<!-- language: lang-python -->
import sys
dataSourceStr = '/Users/x/WP-data/'
outputDataStr = '/Users/x/WP-data/ns-data/'
headfile = open("header.txt","r")
headStr = headfile.read()
headfile.close()
footStr = '</mediawiki>'
matchCount = 0
strPage = ''
strPage = headStr
fileNum = 20
nameSpaceValue = 4
startNum = 41 # starting file number
lastNum = 53 # ending file number
endNum = lastNum + 1
outputDataFile = outputDataStr + 'ns' + str(nameSpaceValue) + '.xml'
for fileNum in range (startNum , endNum):
with open(dataSourceStr + str(fileNum) + '.xml') as mediawiki:
lineNum = 44
blnKeep = False
strPage = ''
strItem = ''
loopMatchCount = 0
for _ in range(lineNum):
r = next(mediawiki)
for line in mediawiki:
if '<ns>' + str(nameSpaceValue) + '</ns>' in line:
blnKeep = True
matchCount = matchCount + 1
loopMatchCount = loopMatchCount + 1
strItem = strItem + line
lineNum = lineNum + 1
if '</page>' in line:
if blnKeep:
strPage = strPage + strItem
strItem = ''
blnKeep = False
strPageSize = sys.getsizeof(strPage)
if strPageSize > 1073741824:
file = open(outputDataFile,"a")
file.write(strPage)
file.close()
strPage = ''
else:
strItem = ''
mediawiki.close
file = open(outputDataFile,"a")
file.write(strPage)
file.close()
file = open(outputDataFile,"a")
file.write(footStr)
file.close()
导入系统
dataSourceStr='/Users/x/WP data/'
outputDataStr='/Users/x/WP data/ns data/'
headfile=open(“header.txt”、“r”)
headStr=headfile.read()
headfile.close()文件
footStr=''
匹配计数=0
strPage=''
strPage=headStr
fileNum=20
nameSpaceValue=4
startNum=41#起始文件号
lastNum=53#结束文件编号
endNum=lastNum+1
outputDataFile=outputDataStr+'ns'+str(nameSpaceValue)+'.xml'
对于范围内的fileNum(startNum、endNum):
将open(dataSourceStr+str(fileNum)+'.xml')作为mediawiki:
lineNum=44
blnKeep=False
strPage=''
横纹=“”
loopMatchCount=0
对于范围内的u(lineNum):
r=下一个(mediawiki)
对于mediawiki中的行:
如果行中有“+str(nameSpaceValue)+”:
blnKeep=True
匹配计数=匹配计数+1
loopMatchCount=loopMatchCount+1
横纹=横纹+线条
lineNum=lineNum+1
如果“”在第行中:
如果blnKeep:
strPage=strPage+strItem
横纹=“”
blnKeep=False
strPageSize=sys.getsizeof(strPage)
如果strPageSize>1073741824:
文件=打开(outputDataFile,“a”)
file.write(strPage)
file.close()文件
strPage=''
其他:
横纹=“”
mediawiki.close
文件=打开(outputDataFile,“a”)
file.write(strPage)
file.close()文件
文件=打开(outputDataFile,“a”)
file.write(footStr)
file.close()文件
我相信这可能会更优雅,但我希望这能帮助任何来到这里并尝试做这类事情的非专家同事。谢谢,但这没有多大帮助,因为我简化了XML示例,重新构建XML将使整个过程比想象的慢/复杂(而且我不知道如何做)。谢谢。当然,第二位代码需要加载整个XML文件,在本例中为65GB。这就是我使用iterparse的原因(更准确地说,我已经成功地将它用于8GB RAM MacBookAir上此类c.10GB文件的其他任务)。另一个问题是,我认为,代码假设所有
的长度都相同,因此我认为我需要迭代第一次传递的el.sourceline
值列表。不,第二位代码逐行读取xml文件。它也不假设页面的长度相同。请注意,它跳过xml文件的前九行,然后输出行,直到找到包含“”的行,然后停止输出行。可能令人困惑的是,您将需要编写代码来保持读取的行数。在循环中,它将跳过,直到到达一个起点,然后输出,直到结束