横向对比分析Python解析XML的四种方式

横向对比分析Python解析XML的四种方式

在最初学习PYTHON的时候，只知道有DOM和SAX两种解析方法，但是其效率都不够理想，由于需要处理的文件数量太大，这两种方式耗时太高无法接受。

在网络搜索后发现，目前应用比较广泛，且效率相对较高的ElementTree也是一个比较多人推荐的算法，于是拿这个算法来实测对比，ElementTree也包括两种实现，一个是普通ElementTree（ET），一个是ElementTree.iterparse（ET_iter）。

本文将对DOM、SAX、ET、ET_iter四种方式进行横向对比，通过处理相同文件比较各个算法的用时来评估其效率。

程序中将四种解析方法均写为函数，在主程序中分别调用，来评估其解析效率。

解压后的XML文件内容示例为：

主程序函数调用部分代码为：  
 

print("文件计数：%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



在最初的函数调用中函数返回两个值，但接收函数调用值时用两个变量分别调用，导致每个函数都要执行两次，之后修改为一次调用两个变量接收返回值，减少了无效调用。

1、DOM解析

函数定义代码：  
 

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("已读入：%s.\n解析中：" %
(os.path.abspath(gz)))

  doc =
xml.dom.minidom.parseString(xm.read())

  bulkPmMrDataFile = doc.documentElement

  #读入子元素

  enbs =
bulkPmMrDataFile.getElementsByTagName_r("eNB")

  measurements =
enbs[0].getElementsByTagName_r("measurement")

  objects =
measurements[0].getElementsByTagName_r("object")

  #写入csv文件

  for object in objects:

    vs =
object.getElementsByTagName_r("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')
#获取文本值

  str_s = (((file_io.getvalue().replace('
\n','\r\n')).replace(' ',',')).replace('T','
')).replace('NIL','')

  xm.close()

  file_io.close()

  return (str_s,vs_cnt)



程序运行结果：



**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

………………………………………

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：107.077867，每秒处理行数：1660。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。



**************************************************

程序处理结束。

由于DOM解析需要将整个文件读入内存，并建立树结构，其内存消耗和时间消耗都比较高，但其优点在于逻辑简单，不需要定义回调函数，便于实现。

2、SAX解析



函数定义代码：  
 

def sax_parser(gz):

  import os,gzip,cStringIO

  from xml.parsers.expat import ParserCreate

 

  #变量声明

  d_eNB = {}

  d_obj = {}

  s = ''

  global flag 

  flag = False

  file_io = cStringIO.StringIO()

   

  #Sax解析类

  class DefaultSaxHandler(object):

   
#处理开始标签

    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

   
#处理中间文本

    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

   
#处理结束标签

    def
end_element(self, name):

     
global d_eNB

     
global d_obj

     
if name == 'v':

       
file_io.write('\n')

     
else:

       
pass

   

  #Sax解析调用

  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("已读入：%s.\n解析中：" %
(os.path.abspath(gz)))

  for line in xm.readlines():

   
parser.Parse(line) #解析xml文件内容

    if
flag:

     
break

  str_s = file_io.getvalue().replace('
\n','\r\n').replace(' ',',').replace('T','
').replace('NIL','')  #写入解析后内容

  xm.close()

  file_io.close()

  return (str_s,vs_cnt)



程序运行结果：



**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

.........................................

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：14.386779，每秒处理行数：12361。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。



**************************************************

程序处理结束。

SAX解析相比DOM解析，运行时间大幅缩短，由于SAX采用逐行解析，对于处理较大文件其占用内存也少，因此SAX解析是目前应用较多的一种解析方法。其缺点在于需要自己实现回调函数，逻辑较为复杂。

3、ET解析



函数定义代码：  
 

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("已读入：%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','')  #写入解析后内容

  xm.close()

  file_io.close()

  return (str_s,vs_cnt)



程序运行结果：



**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

...........................................

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：4.308103，每秒处理行数：41282。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。



**************************************************

程序处理结束。

相较于SAX解析，ET解析时间更短，并且函数实现也比较简单，所以ET具有类似DOM的简单逻辑实现且匹敌SAX的解析效率，因此ET是目前XML解析的首选。

4、ET_iter解析



函数定义代码：  
 

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("已读入：%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','')  #写入解析后内容

  xm.close()

  file_io.close()

  return (str_s,vs_cnt)



程序运行结果：



**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

...................................................

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：3.043805，每秒处理行数：58429。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。



**************************************************

程序处理结束。

在引入了ET_iter解析后，解析效率比ET提升了近50%，而相较于DOM解析更是提升了35倍，在解析效率提升的同时，由于其采用了iterparse这个循序解析的工具，其内存占用也是比较小的。

所以，小伙伴们，请好好利用这几种工具吧。

以上就是本文的全部内容，希望对大家的学习有所帮助。