如何获取XML文档并使用Python扭曲解析它？

Question

我想要一种快速的方法来获取URL并在流式传输时解析它。 理想情况下，这应该是超快的。 我选择的语言是Python。 我有一种直觉，扭曲可以做到这一点，但我找不到一个例子。

Answer 1

如果您需要以流方式处理HTTP响应，则有几个选项。

你可以通过downloadPage来做到：

from xml.sax import make_parser
from twisted.web.client import downloadPage

class StreamingXMLParser:
    def __init__(self):
        self._parser = make_parser()

    def write(self, bytes):
        self._parser.feed(bytes)

    def close(self):
        self._parser.feed('', True)

parser = StreamingXMLParser()
d = downloadPage(url, parser)
# d fires when the response is completely received

这是有效的，因为downloadPage将响应主体写入传递给它的类文件对象。 在这里，使用write和close方法传入对象满足该要求，但是逐步将数据解析为XML而不是将其放在磁盘上。

另一种方法是在HTTPPageGetter级别挂钩。 HTTPPageGetter是getPage内部使用的协议。

class StreamingXMLParsingHTTPClient(HTTPPageGetter):
    def connectionMade(self):
        HTTPPageGetter.connectionMade(self)
        self._parser = make_parser()

    def handleResponsePart(self, bytes):
        self._parser.feed(bytes)

    def handleResponseEnd(self):
        self._parser.feed('', True)
        self.handleResponse(None) # Whatever you pass to handleResponse will be the result of the Deferred below.

factory = HTTPClientFactory(url)
factory.protocol = StreamingXMLParsingHTTPClient
reactor.connectTCP(host, port, factory)
d = factory.deferred
# d fires when the response is completely received

最后，很快就会有一个新的HTTP客户端API。 由于这不是任何版本的一部分，它不像前两种方法那样直接有用，但它更好一些，所以我会把它包含在内，让你了解未来会带来什么。 :)新API允许您指定接收响应正文的协议。 所以你会做这样的事情：

class StreamingXMLParser(Protocol):
    def __init__(self):
        self.done = Deferred()

    def connectionMade(self):
        self._parser = make_parser()

    def dataReceived(self, bytes):
        self._parser.feed(bytes)

    def connectionLost(self, reason):
        self._parser.feed('', True)
        self.done.callback(None)

from twisted.web.client import Agent
from twisted.internet import reactor

agent = Agent(reactor)
d = agent.request('GET', url, headers, None)
def cbRequest(response):
    # You can look at the response headers here if you like.
    protocol = StreamingXMLParser()
    response.deliverBody(protocol)
    return protocol.done
d.addCallback(cbRequest) # d fires when the response is fully received and parsed

Answer 2

您只需解析一个URL？ 然后别担心。 使用urllib2打开连接并将文件句柄传递给ElementTree。

您可以尝试的变体是使用ElementTree的增量解析器或使用iterparse，但这取决于您的实际需求。 有“超级快”，但也“足够快”。

只有当你开始有多个同时连接时，你应该看看Twisted或多线程。