橫向?qū)Ρ确治鯬ython解析XML的四種方式
在最初學(xué)習(xí)PYTHON的時(shí)候，只知道有DOM和SAX兩種解析方法，但是其效率都不夠理想，由于需要處理的文件數(shù)量太大，這兩種方式耗時(shí)太高無法接受。
在網(wǎng)絡(luò)搜索后發(fā)現(xiàn)，目前應(yīng)用比較廣泛，且效率相對較高的ElementTree也是一個(gè)比較多人推薦的算法，于是拿這個(gè)算法來實(shí)測對比，ElementTree也包括兩種實(shí)現(xiàn)，一個(gè)是普通ElementTree（ET），一個(gè)是ElementTree.iterparse（ET_iter）。
本文將對DOM、SAX、ET、ET_iter四種方式進(jìn)行橫向?qū)Ρ龋ㄟ^處理相同文件比較各個(gè)算法的用時(shí)來評估其效率。
程序中將四種解析方法均寫為函數(shù)，在主程序中分別調(diào)用，來評估其解析效率。
解壓后的XML文件內(nèi)容示例為：
主程序函數(shù)調(diào)用部分代碼為：
print("文件計(jì)數(shù)：%d/%d." % (gz_cnt,paser_num))
str_s,cnt = dom_parser(gz)
#str_s,cnt = sax_parser(gz)
#str_s,cnt = ET_parser(gz)
#str_s,cnt = ET_parser_iter(gz)
output.write(str_s)
vs_cnt += cnt
在最初的函數(shù)調(diào)用中函數(shù)返回兩個(gè)值，但接收函數(shù)調(diào)用值時(shí)用兩個(gè)變量分別調(diào)用，導(dǎo)致每個(gè)函數(shù)都要執(zhí)行兩次，之后修改為一次調(diào)用兩個(gè)變量接收返回值，減少了無效調(diào)用。
1、DOM解析
函數(shù)定義代碼：
def dom_parser(gz):
import gzip,cStringIO
import xml.dom.minidom
vs_cnt = 0
str_s = ''
file_io = cStringIO.StringIO()
xm = gzip.open(gz,'rb')
print("已讀入：%s.\n解析中：" % (os.path.abspath(gz)))
doc = xml.dom.minidom.parseString(xm.read())
bulkPmMrDataFile = doc.documentElement
#讀入子元素
enbs = bulkPmMrDataFile.getElementsByTagName("eNB")
measurements = enbs[0].getElementsByTagName("measurement")
objects = measurements[0].getElementsByTagName("object")
#寫入csv文件
for object in objects:
vs = object.getElementsByTagName("v")
vs_cnt += len(vs)
for v in vs:
file_io.write(enbs[0].getAttribute("id")+' '+object.getAttribute("id")+' '+\
object.getAttribute("MmeUeS1apId")+' '+object.getAttribute("MmeGroupId")+' '+object.getAttribute("MmeCode")+' '+\
object.getAttribute("TimeStamp")+' '+v.childNodes[0].data+'\n') #獲取文本值
str_s = (((file_io.getvalue().replace(' \n','\r\n')).replace(' ',',')).replace('T',' ')).replace('NIL','')
xm.close()
file_io.close()
return (str_s,vs_cnt)
程序運(yùn)行結(jié)果：
**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個(gè)數(shù)為：12，本次處理其中的12個(gè)。
**************************************************
文件計(jì)數(shù)：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
………………………………………
文件計(jì)數(shù)：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計(jì)數(shù)：177849，運(yùn)行時(shí)間：107.077867，每秒處理行數(shù)：1660。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。
**************************************************
程序處理結(jié)束。
由于DOM解析需要將整個(gè)文件讀入內(nèi)存，并建立樹結(jié)構(gòu)，其內(nèi)存消耗和時(shí)間消耗都比較高，但其優(yōu)點(diǎn)在于邏輯簡單，不需要定義回調(diào)函數(shù)，便于實(shí)現(xiàn)。
2、SAX解析
函數(shù)定義代碼：
def sax_parser(gz):
import os,gzip,cStringIO
from xml.parsers.expat import ParserCreate
#變量聲明
d_eNB = {}
d_obj = {}
s = ''
global flag
flag = False
file_io = cStringIO.StringIO()
#Sax解析類
class DefaultSaxHandler(object):
#處理開始標(biāo)簽
def start_element(self, name, attrs):
global d_eNB
global d_obj
global vs_cnt
if name == 'eNB':
d_eNB = attrs
elif name == 'object':
d_obj = attrs
elif name == 'v':
file_io.write(d_eNB['id']+' '+ d_obj['id']+' '+d_obj['MmeUeS1apId']+' '+d_obj['MmeGroupId']+' '+d_obj['MmeCode']+' '+d_obj['TimeStamp']+' ')
vs_cnt += 1
else:
pass
#處理中間文本
def char_data(self, text):
global d_eNB
global d_obj
global flag
if text[0:1].isnumeric():
file_io.write(text)
elif text[0:17] == 'MR.LteScPlrULQci1':
flag = True
#print(text,flag)
else:
pass
#處理結(jié)束標(biāo)簽
def end_element(self, name):
global d_eNB
global d_obj
if name == 'v':
file_io.write('\n')
else:
pass
#Sax解析調(diào)用
handler = DefaultSaxHandler()
parser = ParserCreate()
parser.StartElementHandler = handler.start_element
parser.EndElementHandler = handler.end_element
parser.CharacterDataHandler = handler.char_data
vs_cnt = 0
str_s = ''
xm = gzip.open(gz,'rb')
print("已讀入：%s.\n解析中：" % (os.path.abspath(gz)))
for line in xm.readlines():
parser.Parse(line) #解析xml文件內(nèi)容
if flag:
break
str_s = file_io.getvalue().replace(' \n','\r\n').replace(' ',',').replace('T',' ').replace('NIL','') #寫入解析后內(nèi)容
xm.close()
file_io.close()
return (str_s,vs_cnt)
程序運(yùn)行結(jié)果：
**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個(gè)數(shù)為：12，本次處理其中的12個(gè)。
**************************************************
文件計(jì)數(shù)：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
.........................................
文件計(jì)數(shù)：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計(jì)數(shù)：177849，運(yùn)行時(shí)間：14.386779，每秒處理行數(shù)：12361。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。
**************************************************
程序處理結(jié)束。
SAX解析相比DOM解析，運(yùn)行時(shí)間大幅縮短，由于SAX采用逐行解析，對于處理較大文件其占用內(nèi)存也少，因此SAX解析是目前應(yīng)用較多的一種解析方法。其缺點(diǎn)在于需要自己實(shí)現(xiàn)回調(diào)函數(shù)，邏輯較為復(fù)雜。
3、ET解析
函數(shù)定義代碼：
def ET_parser(gz):
import os,gzip,cStringIO
import xml.etree.cElementTree as ET
vs_cnt = 0
str_s = ''
file_io = cStringIO.StringIO()
xm = gzip.open(gz,'rb')
print("已讀入：%s.\n解析中：" % (os.path.abspath(gz)))
tree = ET.ElementTree(file=xm)
root = tree.getroot()
for elem in root[1][0].findall('object'):
for v in elem.findall('v'):
file_io.write(root[1].attrib['id']+' '+elem.attrib['TimeStamp']+' '+elem.attrib['MmeCode']+' '+\
elem.attrib['id']+' '+ elem.attrib['MmeUeS1apId']+' '+ elem.attrib['MmeGroupId']+' '+ v.text+'\n')
vs_cnt += 1
str_s = file_io.getvalue().replace(' \n','\r\n').replace(' ',',').replace('T',' ').replace('NIL','') #寫入解析后內(nèi)容
xm.close()
file_io.close()
return (str_s,vs_cnt)
程序運(yùn)行結(jié)果：
**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個(gè)數(shù)為：12，本次處理其中的12個(gè)。
**************************************************
文件計(jì)數(shù)：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
...........................................
文件計(jì)數(shù)：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計(jì)數(shù)：177849，運(yùn)行時(shí)間：4.308103，每秒處理行數(shù)：41282。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。
**************************************************
程序處理結(jié)束。
相較于SAX解析，ET解析時(shí)間更短，并且函數(shù)實(shí)現(xiàn)也比較簡單，所以ET具有類似DOM的簡單邏輯實(shí)現(xiàn)且匹敵SAX的解析效率，因此ET是目前XML解析的首選。
4、ET_iter解析
函數(shù)定義代碼：
def ET_parser_iter(gz):
import os,gzip,cStringIO
import xml.etree.cElementTree as ET
vs_cnt = 0
str_s = ''
file_io = cStringIO.StringIO()
xm = gzip.open(gz,'rb')
print("已讀入：%s.\n解析中：" % (os.path.abspath(gz)))
d_eNB = {}
d_obj = {}
i = 0
for event,elem in ET.iterparse(xm,events=('start','end')):
if i >= 2:
break
elif event == 'start':
if elem.tag == 'eNB':
d_eNB = elem.attrib
elif elem.tag == 'object':
d_obj = elem.attrib
elif event == 'end' and elem.tag == 'smr':
i += 1
elif event == 'end' and elem.tag == 'v':
file_io.write(d_eNB['id']+' '+d_obj['TimeStamp']+' '+d_obj['MmeCode']+' '+d_obj['id']+' '+\
d_obj['MmeUeS1apId']+' '+ d_obj['MmeGroupId']+' '+str(elem.text)+'\n')
vs_cnt += 1
elem.clear()
str_s = file_io.getvalue().replace(' \n','\r\n').replace(' ',',').replace('T',' ').replace('NIL','') #寫入解析后內(nèi)容
xm.close()
file_io.close()
return (str_s,vs_cnt)
程序運(yùn)行結(jié)果：
**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個(gè)數(shù)為：12，本次處理其中的12個(gè)。
**************************************************
文件計(jì)數(shù)：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計(jì)數(shù)：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
...................................................
文件計(jì)數(shù)：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計(jì)數(shù)：177849，運(yùn)行時(shí)間：3.043805，每秒處理行數(shù)：58429。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。
**************************************************
程序處理結(jié)束。
在引入了ET_iter解析后，解析效率比ET提升了近50%，而相較于DOM解析更是提升了35倍，在解析效率提升的同時(shí)，由于其采用了iterparse這個(gè)循序解析的工具，其內(nèi)存占用也是比較小的。
所以，小伙伴們，請好好利用這幾種工具吧。
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助。
相關(guān)文章
這篇文章主要介紹了django創(chuàng)建超級用戶過程解析,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-09-09
Python實(shí)現(xiàn)簡單狀態(tài)框架的方法
這篇文章主要介紹了Python實(shí)現(xiàn)簡單狀態(tài)框架的方法,涉及Python狀態(tài)框架的實(shí)現(xiàn)技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-03-03
Python三十行代碼實(shí)現(xiàn)簡單人臉識別的示例代碼
這篇文章主要介紹了Python三十行代碼實(shí)現(xiàn)簡單人臉識別的示例代碼，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-03-03
這篇文章主要介紹了Python函數(shù)的參數(shù)列表，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-12-12
Beautiful Soup 簡稱 BS4（其中 4 表示版本號）是一個(gè) Python 中常用的頁面解析庫，它可以從 HTML 或 XML 文檔中快速地提取指定的數(shù)據(jù)，這篇文章主要介紹了Python Beautiful Soup模塊的使用2023-02-02
Python打包工具PyInstaller的安裝與pycharm配置支持PyInstaller詳細(xì)方法
這篇文章主要介紹了Python打包工具PyInstaller的安裝與pycharm配置支持PyInstaller詳細(xì)方法,需要的朋友可以參考下2020-02-02
基于python實(shí)現(xiàn)檢索標(biāo)記敏感詞并輸出
這篇文章主要介紹了基于python實(shí)現(xiàn)檢索敏感詞并輸出,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-05-05
Python編程實(shí)現(xiàn)雙鏈表，棧，隊(duì)列及二叉樹的方法示例
這篇文章主要介紹了Python編程實(shí)現(xiàn)雙鏈表，棧，隊(duì)列及二叉樹的方法,結(jié)合具體實(shí)例形式分析了Python簡單實(shí)現(xiàn)數(shù)據(jù)結(jié)構(gòu)中雙鏈表，棧，隊(duì)列及二叉樹相關(guān)操作技巧,需要的朋友可以參考下2017-11-11
這篇文章主要介紹了Python多線程編程簡單介紹,本文講解了創(chuàng)建線程、Thread對象函數(shù)、常用示例等內(nèi)容,需要的朋友可以參考下2015-04-04
Python中實(shí)現(xiàn)從目錄中過濾出指定文件類型的文件
這篇文章主要介紹了Python中實(shí)現(xiàn)從目錄中過濾出指定文件類型的文件，本文是一篇學(xué)筆記,實(shí)例相對簡單,需要的朋友可以參考下2015-02-02