橫向對比分析Python解析XML的四種方式

在最初學習PYTHON的時候，只知道有DOM和SAX兩種解析方法，但是其效率都不夠理想，由于需要處理的文件數量太大，這兩種方式耗時太高無法接受。

在網絡搜索后發現，目前應用比較廣泛，且效率相對較高的ElementTree也是一個比較多人推薦的算法，于是拿這個算法來實測對比，ElementTree也包括兩種實現，一個是普通ElementTree（ET），一個是ElementTree.iterparse（ET_iter）。

本文將對DOM、SAX、ET、ET_iter四種方式進行橫向對比，通過處理相同文件比較各個算法的用時來評估其效率。

程序中將四種解析方法均寫為函數，在主程序中分別調用，來評估其解析效率。

解壓后的XML文件內容示例為：

Python,XML

主程序函數調用部分代碼為：

  print("文件計數：%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

在最初的函數調用中函數返回兩個值，但接收函數調用值時用兩個變量分別調用，導致每個函數都要執行兩次，之后修改為一次調用兩個變量接收返回值，減少了無效調用。

1、DOM解析

函數定義代碼：

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("已讀入：%s./n解析中：" % (os.path.abspath(gz)))  doc = xml.dom.minidom.parseString(xm.read())  bulkPmMrDataFile = doc.documentElement  #讀入子元素  enbs = bulkPmMrDataFile.getElementsByTagName("eNB")  measurements = enbs[0].getElementsByTagName("measurement")  objects = measurements[0].getElementsByTagName("object")  #寫入csv文件  for object in objects:    vs = object.getElementsByTagName("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') #獲取文本值  str_s = (((file_io.getvalue().replace(' /n','/r/n')).replace(' ',',')).replace('T',' ')).replace('NIL','')  xm.close()  file_io.close()  return (str_s,vs_cnt)

程序運行結果：

**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個數為：12，本次處理其中的12個。
**************************************************
文件計數：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計數：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計數：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
………………………………………
文件計數：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計數：177849，運行時間：107.077867，每秒處理行數：1660。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************
程序處理結束。
由于DOM解析需要將整個文件讀入內存，并建立樹結構，其內存消耗和時間消耗都比較高，但其優點在于邏輯簡單，不需要定義回調函數，便于實現。

2、SAX解析

函數定義代碼：

def sax_parser(gz):  import os,gzip,cStringIO  from xml.parsers.expat import ParserCreate  #變量聲明  d_eNB = {}  d_obj = {}  s = ''  global flag   flag = False  file_io = cStringIO.StringIO()    #Sax解析類  class DefaultSaxHandler(object):    #處理開始標簽    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    #處理中間文本    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    #處理結束標簽    def end_element(self, name):      global d_eNB      global d_obj      if name == 'v':        file_io.write('/n')      else:        pass    #Sax解析調用  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("已讀入：%s./n解析中：" % (os.path.abspath(gz)))  for line in xm.readlines():    parser.Parse(line) #解析xml文件內容    if flag:      break  str_s = file_io.getvalue().replace(' /n','/r/n').replace(' ',',').replace('T',' ').replace('NIL','')  #寫入解析后內容  xm.close()  file_io.close()  return (str_s,vs_cnt)

程序運行結果：

**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個數為：12，本次處理其中的12個。
**************************************************
文件計數：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計數：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計數：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
.........................................
文件計數：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計數：177849，運行時間：14.386779，每秒處理行數：12361。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************
程序處理結束。
SAX解析相比DOM解析，運行時間大幅縮短，由于SAX采用逐行解析，對于處理較大文件其占用內存也少，因此SAX解析是目前應用較多的一種解析方法。其缺點在于需要自己實現回調函數，邏輯較為復雜。

3、ET解析

函數定義代碼：

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("已讀入：%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','')  #寫入解析后內容  xm.close()  file_io.close()  return (str_s,vs_cnt)

程序運行結果：

**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個數為：12，本次處理其中的12個。
**************************************************
文件計數：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計數：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計數：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
...........................................
文件計數：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計數：177849，運行時間：4.308103，每秒處理行數：41282。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************
程序處理結束。
相較于SAX解析，ET解析時間更短，并且函數實現也比較簡單，所以ET具有類似DOM的簡單邏輯實現且匹敵SAX的解析效率，因此ET是目前XML解析的首選。

4、ET_iter解析

函數定義代碼：

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("已讀入：%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','')  #寫入解析后內容  xm.close()  file_io.close()  return (str_s,vs_cnt)

程序運行結果：

**************************************************
程序處理啟動。
輸入目錄為：/tmcdata/mro2csv/input31/。
輸出目錄為：/tmcdata/mro2csv/output31/。
輸入目錄下.gz文件個數為：12，本次處理其中的12個。
**************************************************
文件計數：1/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.
解析中：
文件計數：2/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.
解析中：
文件計數：3/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.
解析中：
...................................................
文件計數：12/12.
已讀入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.
解析中：
VS行計數：177849，運行時間：3.043805，每秒處理行數：58429。
已寫入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************
程序處理結束。
在引入了ET_iter解析后，解析效率比ET提升了近50%，而相較于DOM解析更是提升了35倍，在解析效率提升的同時，由于其采用了iterparse這個循序解析的工具，其內存占用也是比較小的。

所以，小伙伴們，請好好利用這幾種工具吧。
以上就是本文的全部內容，希望對大家的學習有所幫助。