仅解析XML文件的特定子树
我有一个非常大的XML文件，但我只对其中一个小的子树感兴趣。我想解析这个子树，但又不想浪费时间去解析整个庞大的树，因为我只会用到其中的一小部分。
理想情况下，我希望能扫描这个文件，直到找到这个子树的开始部分，然后解析这个子树，直到到达它的结束部分，之后就不想再看文件的其他部分了。也许我还可以用XPath表达式来描述我感兴趣的子树。请问有没有办法用lxml来做到这一点？看起来可以使用iterparse()方法来实现这个功能，但根据文档，它似乎并不会生成我想要的解析对象。有什么建议吗？
（使用lxml并不是必须的，但我想用Python，并且希望速度快一点。）
2 个回答
0
使用迭代解析（Iterparse）时，你还是得先解析到你想要的子树为止。这可能会比较耗时。你可以考虑在把数据送入解析器之前，先用正则表达式提取出你需要的子树，这样可能会更高效。另外，你也可以尝试写一个SAX解析器。虽然SAX解析器可能比lxml慢，但它占用的内存比较少，所以在某些情况下可能会更好。
1
我觉得你可能想要用iterparse。看看这个链接里的“选择性标签事件”部分：http://lxml.de/parsing.html，似乎能满足你的需求：
context = etree.iterparse(xmlfile, tag="yourSubTree")
action, elem = context.next()
etree.iterwalk(elem, ...)...
看起来XPath也可以用，但我猜XPath会先把整个树结构读进来，然后再返回结果，而iterparse应该只会遍历树结构，直到找到匹配的部分。比较这两种方法的性能是值得的。