在Python中解析巨大、编码错误的XML文件
我一直在编写解析外部XML文件的代码。其中一些文件非常庞大,数据量高达千兆字节。不用说,这些文件需要作为流进行解析,因为将它们加载到内存中效率太低,并且常常会导致OutOfMemory问题 我已经使用了miniDOM、ElementTree、cElementTree库,目前我正在使用lxml。 现在,我有了一个非常有效的脚本,使用在Python中解析巨大、编码错误的XML文件,python,xml,encoding,iterparse,Python,Xml,Encoding,Iterparse,我一直在编写解析外部XML文件的代码。其中一些文件非常庞大,数据量高达千兆字节。不用说,这些文件需要作为流进行解析,因为将它们加载到内存中效率太低,并且常常会导致OutOfMemory问题 我已经使用了miniDOM、ElementTree、cElementTree库,目前我正在使用lxml。 现在,我有了一个非常有效的脚本,使用lxml.etree.iterparse。问题是我需要解析的一些XML文件包含编码错误(它们以UTF-8的形式发布,但包含不同编码的字符)。使用lxml.etree.p
lxml.etree.iterparse
。问题是我需要解析的一些XML文件包含编码错误(它们以UTF-8的形式发布,但包含不同编码的字符)。使用lxml.etree.parse
时,可以通过使用自定义解析器的recover=True
选项修复此问题,但iterparse
不接受自定义解析器。(另见:)
我当前的代码如下所示:
from lxml import etree
events = ("start", "end")
context = etree.iterparse(xmlfile, events=events)
event, root_element = context.next() # <items>
for action, element in context:
if action == 'end' and element.tag == 'item':
# <parse>
root_element.clear()
我甚至不想解码这些数据,我可以把它放下。但是我不知道有什么方法可以跳过这个元素——我在try/except语句中尝试了context.next
和continue
任何帮助都将不胜感激
更新
其他一些信息:
这是iterparse失败的地方:
根据etree,错误发生在字节0x19 0x73 0x20 0x65
根据hexedit,
19732065
转换为ASCII.se
此处的
应该是撇号(foto's)
我还发现,这并没有提供解决方案。如果问题是实际的字符编码问题,而不是格式错误的XML,那么最简单、可能也是最有效的解决方案是在文件读取点处理它。像这样:
import codecs
from lxml import etree
events = ("start", "end")
reader = codecs.EncodedFile(xmlfile, 'utf8', 'utf8', 'replace')
context = etree.iterparse(reader, events=events)
这将导致非UTF8可读字节被替换为“?”。还有一些其他的选择;有关更多信息,请参阅编解码器模块的文档。由于问题是由非法XML字符(在本例中为0x19字节)引起的,因此我决定将其删除。我发现了以下正则表达式: 我编写了这段代码,在保存xml提要时删除非法字节:
conn = urllib2.urlopen(xmlfeed)
xmlfile = open('output', 'w')
while True:
data = conn.read(4096)
if data:
newdata, count = invalid_xml.subn('', data)
if count > 0 :
print 'Removed %s illegal characters from XML feed' % count
xmlfile.write(newdata)
else:
break
xmlfile.close()
我使用了一段类似的代码:
illegalxml = re.compile(u'[\x00-\x08\x0b\x0c\x0e-\x1F\uD800-\uDFFF\uFFFE\uFFFF]')
但是,这并不适用于所有可能的字符串(400+MB字符串)
对于最终解决方案,我使用了如下解码/编码:
outxml = "C:/path_to/xml_output_file.xml"
with open(outxml, "w") as out:
valid_xmlstring = mystring.encode('latin1','xmlcharrefreplace').decode('utf8','xmlcharrefreplace')
out.write(valid_xmlstring)
我的xml文件中的char“;”也有类似的问题,它也是无效的xmlchar。这是因为在xml版本1.0中,像、这样的字符是不允许的。规则是不允许所有字符组成为正则表达式“[0-1]?[0-9A-E]”。我的目的是纠正巨大xml文件中的无效字符,根据Rik的回答,我对其进行了如下改进:
import re
invalid_xml = re.compile(r'&#x[0-1]?[0-9a-eA-E];')
new_file = open('new_file.xml','w')
with open('old_file.xml') as f:
for line in f:
nline, count = invalid_xml.subn('',line)
new_file.write(nline)
new_file.close()
您是否尝试过beautiful soup?执行预处理步骤以更正编码是否可行?您甚至可以在使用StringIO对象的管道中执行此操作,并将输出馈送到etree。@Danathean当然可以,关于如何执行此操作的任何提示?@Rik如果您组合一些代码来解析标记、属性和内容解析,您可以将有问题的输入馈送到chardet(请参阅),并在运行时重新编写文件。我不确定编码问题在文档中的何处,但如果它们是孤立的,则不会产生太多开销。请发布一个完整的XML文档,其中包括顶级标记和DTD(如果有)以及片段,以便其他人可以测试您正在测试的相同内容。此外,如果你能在错误前显示几个字节,这可能会有所帮助(这样我们就可以看到我们是否有半个UTF-8字符或其他)。嗯,这看起来是一个很好的解决方案,但我刚刚尝试过——在同一点上出现相同的错误,即使我将“替换”更改为“忽略”。(为了回答您上面的问题,这是Python2.7,不需要compat。)您可以将XML文件(或者,更好的,一个显示问题的小文档)发布到某个地方,以便人们可以帮助调试它吗?
illegalxml.sub("?",mystring)
outxml = "C:/path_to/xml_output_file.xml"
with open(outxml, "w") as out:
valid_xmlstring = mystring.encode('latin1','xmlcharrefreplace').decode('utf8','xmlcharrefreplace')
out.write(valid_xmlstring)
import re
invalid_xml = re.compile(r'&#x[0-1]?[0-9a-eA-E];')
new_file = open('new_file.xml','w')
with open('old_file.xml') as f:
for line in f:
nline, count = invalid_xml.subn('',line)
new_file.write(nline)
new_file.close()