使用Python ElementTree内存不足

Question

编辑：未来有朋友看到这个， 我用的解决方案是切换到cElementTree。它不仅占用更少的内存，而且速度明显更快。

这个方法可以处理大约600MB大小的文件，超过这个大小我就会内存不足（我有一台16GB的电脑）。我该如何分块读取文件，或者一次读取一定比例的xml，或者有没有更省内存的方法呢？

import csv
import xml.etree.ElementTree as ET
from lxml import etree
import time
import sys

def main(argv):
    start_time = time.time()

#file_name = 'sample.xml'
file_name = argv
root = ET.ElementTree(file=file_name).getroot() 
csv_file_name = '.'.join(file_name.split('.')[:-1]) + ".txt"
print '\n'
print 'Output file:'
print csv_file_name

with open(csv_file_name, 'w') as file_:
    writer = csv.writer(file_, delimiter="\t")
    header = [ <the names of the tags here> ]
    writer.writerow(header)
    tags = [
        <bunch of xml tags here>    
            ]

    #write the values
#     for index in range(8,1000):
    for index in range(3,len(root)):
        #print index
        row=[]
        for tagindex,val in enumerate(tags):
            searchQuery = "tags"+tags[tagindex]
#             print searchQuery
#             print root[index]
#             print root[index].find(searchQuery).text
            if (root[index].find(searchQuery) is None) or (root[index].find(searchQuery).text == None):
                row.extend([""])
                #print tags[tagindex]+" blank"
            else:
                row.extend([root[index].find(searchQuery).text])
                #print tags[tagindex]+" "+root[index].find(searchQuery).text
        writer.writerow(row)


    #for i,child in enumerate(root):
        #print root[i]
    print '\nNumber of elements is: %s' % len(root)

print '\nTotal run time: %s seconds' % (time.time() - start_time)

if __name__ == "__main__":
    main(sys.argv[1])

Answer 1

使用ElementTree.iterparse来解析你的XML数据。可以查看文档获取帮助。

Answer 2

一些小提示：

• 使用 lxml，它的性能非常好
• 使用 iterparse，这样可以逐块处理你的文档

不过，iterparse 可能会让你感到意外，导致内存消耗过高。为了避免这个问题，你需要清除已经处理过的项目的引用，具体方法可以参考我最喜欢的一篇文章，关于如何有效使用 lxml

示例脚本 fastiterparse.py 使用优化过的 iterparse

安装 docopt 和 lxml

$ pip install lxml docopt

编写脚本：

"""For all elements with given tag prints value of selected attribute
Usage:
    fastiterparse.py <xmlfile> <tag> <attname>
    fastiterparse.py -h
"""
from lxml import etree
from functools import partial

def fast_iter(context, func):
    for event, elem in context:
        func(elem)
        elem.clear()
        while elem.getprevious() is not None:
            del elem.getparent()[0]
    del context

def printattname(elem, attname):
    print elem.attrib[attname]

def main(fname, tag, attname):

    fun = partial(printattname, attname=attname)
    with open(fname) as f:
        context = etree.iterparse(f, events=("end",), tag=tag)
        fast_iter(context, fun)

if __name__ == "__main__":
    from docopt import docopt
    args = docopt(__doc__)
    main(args["<xmlfile>"], args["<tag>"], args["<attname>"])

尝试调用它：

$ python fastiterparse.py                                               
Usage:
    fastiterparse.py <xmlfile> <tag> <attname>
    fastiterparse.py -h

在你的文件上使用它：

$ python fastiterparse.py large.xml ElaboratedRecord id
rec26872
rec25887
rec26873
rec26874

总结（使用 fast_iter 方法）

主要的要点是 fast_iter 函数（或者至少要记得 clear 不再使用的元素，删除它们，最后删除 context）

测量结果显示，在某些情况下，脚本运行的速度可能会比不使用 clear 和 del 时稍慢，但差别并不大。当内存成为限制时，优化版本会变得更快，如果内存用完了，选择就不多了。

Answer 3

使用cElementTree来代替ElementTree。

把你原来的导入语句换成：import xml.etree.cElementTree as ET