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(wú)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(duì)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(lái)實(shí)測(cè)對(duì)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(duì)DOM、SAX、ET、ET_iter四種方式進(jìn)行橫向?qū)Ρ龋ㄟ^(guò)處理相同文件比較各個(gè)算法的用時(shí)來(lái)評(píng)估其效率。
程序中將四種解析方法均寫(xiě)為函數(shù)，在主程序中分別調(diào)用，來(lái)評(píng)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(wú)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(xiě)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(dòng)。
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(xiě)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(shù)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(jiǎn)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(lèi)
  class DefaultSaxHandler(object):
    #處理開(kāi)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(xiě)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(dòng)。
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(xiě)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(duì)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(xiě)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(dòng)。
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(xiě)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(jiǎn)單，所以ET具有類(lèi)似DOM的簡(jiǎn)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(xiě)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(dòng)。
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(xiě)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(qǐng)好好利用這幾種工具吧。
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助。