[英]Parsing large XML file with lxml
我正在嘗試使用 lxml 解析 dblp.xml 文件(3.2gb)。 以下是我的代碼。
from lxml import etree
from io import StringIO, BytesIO
tree = etree.parse("dblp.xml")
但是我收到一條錯誤消息:
OSError Traceback (most recent call last)
<ipython-input-5-6a342013a160> in <module>
1 from lxml import etree
2 from io import StringIO, BytesIO
----> 3 tree = etree.parse("dblp.xml")
src/lxml/etree.pyx in lxml.etree.parse()
src/lxml/parser.pxi in lxml.etree._parseDocument()
src/lxml/parser.pxi in lxml.etree._parseDocumentFromURL()
src/lxml/parser.pxi in lxml.etree._parseDocFromFile()
src/lxml/parser.pxi in lxml.etree._BaseParser._parseDocFromFile()
src/lxml/parser.pxi in lxml.etree._ParserContext._handleParseResultDoc()
src/lxml/parser.pxi in lxml.etree._handleParseResult()
src/lxml/parser.pxi in lxml.etree._raiseParseError()
OSError: Error reading file 'dblp.xml': failed to load external entity "dblp.xml"
dblp.xml 和 dblp.dtd 都已經在根文件夾中。
請幫忙!
您可以使用etree.iterparse
來避免在 memory 中加載整個文件:
events = ("start", "end")
with open("dblp.xml", "r") as fo:
context = etree.iterparse(fo, events=events)
for action, elem in context:
# Do something
這將允許您只提取您需要的實體而忽略其他實體。
正如 Jan Jaap Meijerink 所說,您可以嘗試使用 iterparse。 可能您還可以禁用防止解析大文件的 lxml 安全功能(請參閱https://lxml.de/api/lxml.etree.XMLParser-class.html的文檔):
with open('', 'r') as fobj:
for event, elem in etree.iterparse(
fobj,
huge_tree=True,
):
#do something with element or event
最后,如果您更喜歡嘗試使用 parse,您可以定義 xml 解析器並啟用 huge_tree 並將其設置為默認值,以便進一步使用 etree.parse:
xml_parser_settings = dict(
huge_tree=True, # resolve_entities=False, remove_pis=True, no_network=True
)
XMLPARSER = etree.XMLParser(xml_parser_settings)
etree.set_default_parser(XMLPARSER)
在這些語句之后,您可以將 etree.parser 與配置的 XMLPARSER 一起使用。 不過要小心多線程( https://lxml.de/1.3/api/lxml.etree-module.html#set_default_parser )。
添加 resolve_entities、remove_pis 和 no_network 關鍵字可以(至少在一定程度上)降低解析巨大外部文件的風險,如果它們來自不受信任的來源。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.