加载巨大的XML文件并处理MemoryE

Question

我有一个非常大的XML文件（确切地说是20GB，是的，我需要全部）。当我尝试加载文件时，收到以下错误：

Python(23358) malloc: *** mmap(size=140736680968192) failed (error code=12)
*** error: can't allocate region
*** set a breakpoint in malloc_error_break to debug
Traceback (most recent call last):
  File "file.py", line 5, in <module>
    code = xml.read()
MemoryError

这是我要读取XML文件的当前代码：

from bs4 import BeautifulSoup
xml = open('pages_full.xml', 'r')
code = xml.read()
xml.close()
soup = BeautifulSoup(code)

现在，我将如何着手消除这个错误，并能够继续工作的脚本。我会尝试将文件分割成不同的文件，但由于我不知道这会对BeautifulSoup和XML数据产生什么影响，所以我不想这样做。

（XML数据是我自愿使用的wiki的数据库转储，使用它从不同的时间段导入数据，使用来自许多页面的直接信息）

Answer 1

不要使用BeautifulSoup来尝试这么大的解析XML文件。改用ElementTree API。具体来说，使用^{} function将文件解析为流，在收到元素通知时处理信息，然后再次删除元素：

from xml.etree import ElementTree as ET

parser = ET.iterparse(filename)

for event, element in parser:
    # element is a whole element
    if element.tag == 'yourelement'
         # do something with this element
         # then clean up
         element.clear()

通过使用事件驱动方法，您无需将整个XML文档保存在内存中，只需提取所需内容并丢弃其余内容。

请参阅^{} tutorial and documentation。

或者，您也可以使用lxml library；它在一个更快、功能更丰富的包中提供相同的API。