ElementTree(1.3.0) Python中XML解析的高效方法

Question

我正在尝试解析一个巨大的 XML 文件（20MB-3GB）。文件是来自不同仪器的样本。所以，我正在做的是从文件中查找必要的元素信息并将它们插入到数据库（Django）中。

我的文件样本的一小部分。命名空间存在于所有文件中。文件的有趣功能是它们具有比文本更多的节点属性

<?xml VERSION="1.0" encoding="ISO-8859-1"?>
<mzML xmlns="http://psi.hupo.org/ms/mzml" xmlns:xs="http://www.w3.org/2001/XMLSchema-instance" xs:schemaLocation="http://psi.hupo.org/ms/mzml http://psidev.info/files/ms/mzML/xsd/mzML1.1.0.xsd" accession="plgs_example" version="1.1.0" id="urn:lsid:proteios.org:mzml.plgs_example">

    <instrumentConfiguration id="QTOF">
                    <cvParam cvRef="MS" accession="MS:1000189" name="Q-Tof ultima"/>
                    <componentList count="4">
                            <source order="1">
                                    <cvParam cvRef="MS" accession="MS:1000398" name="nanoelectrospray"/>
                            </source>
                            <analyzer order="2">
                                    <cvParam cvRef="MS" accession="MS:1000081" name="quadrupole"/>
                            </analyzer>
                            <analyzer order="3">
                                    <cvParam cvRef="MS" accession="MS:1000084" name="time-of-flight"/>
                            </analyzer>
                            <detector order="4">
                                    <cvParam cvRef="MS" accession="MS:1000114" name="microchannel plate detector"/>
                            </detector>
                    </componentList>
     </instrumentConfiguration>

小但完整的文件是这里

所以到目前为止我所做的是对每个元素使用 findall 兴趣。

import xml.etree.ElementTree as ET
tree=ET.parse('plgs_example.mzML')
root=tree.getroot()
NS="{http://psi.hupo.org/ms/mzml}"
s=tree.findall('.//{http://psi.hupo.org/ms/mzml}instrumentConfiguration')
for ins in range(len(s)):
    insattrib=s[ins].attrib
    # It will print out all the id attribute of instrument
    print insattrib["id"] 

如何访问instrumentConfiguration（s）元素的所有子元素/孙元素？

s=tree.findall('.//{http://psi.hupo.org/ms/mzml}instrumentConfiguration')

我想要的示例

InstrumentConfiguration
-----------------------
Id:QTOF
Parameter1: T-Tof ultima
source:nanoelectrospray
analyzer: quadrupole
analyzer: time-of-flight
detector: microchannel plate decector

当命名空间存在时，是否有有效的方法来解析元素/子元素/子元素？或者我每次都必须使用 find/findall 来访问具有命名空间的树中的特定元素？这只是一个小例子，我必须解析更复杂的元素层次结构。

任何建议！

编辑

没有得到正确的答案，所以必须再次编辑！

Answer 1

这是一个脚本，可以在 40 秒（在我的机器上）内解析一百万个 /> 元素（967MB 文件），而不会消耗大量资源内存量。

吞吐量为24MB/s。 cElementTree 页面 (2005) 报告 47MB/ s。

#!/usr/bin/env python
from itertools import imap, islice, izip
from operator  import itemgetter
from xml.etree import cElementTree as etree

def parsexml(filename):
    it = imap(itemgetter(1),
              iter(etree.iterparse(filename, events=('start',))))
    root = next(it) # get root element
    for elem in it:
        if elem.tag == '{http://psi.hupo.org/ms/mzml}instrumentConfiguration':
            values = [('Id', elem.get('id')),
                      ('Parameter1', next(it).get('name'))] # cvParam
            componentList_count = int(next(it).get('count'))
            for parent, child in islice(izip(it, it), componentList_count):
                key = parent.tag.partition('}')[2]
                value = child.get('name')
                assert child.tag.endswith('cvParam')
                values.append((key, value))
            yield values
            root.clear() # preserve memory

def print_values(it):
    for line in (': '.join(val) for conf in it for val in conf):
        print(line)

print_values(parsexml(filename))

输出

$ /usr/bin/time python parse_mxml.py
Id: QTOF
Parameter1: Q-Tof ultima
source: nanoelectrospray
analyzer: quadrupole
analyzer: time-of-flight
detector: microchannel plate detector
38.51user 1.16system 0:40.09elapsed 98%CPU (0avgtext+0avgdata 23360maxresident)k
1984784inputs+0outputs (2major+1634minor)pagefaults 0swaps

注意：代码很脆弱，它假设 的前两个子项是 和 和所有值都可用作标记名称或属​​性。

在这种情况下，ElementTree 1.3 的性能

比 cElementTree 1.0.6 慢约 6 倍。

如果将 root.clear() 替换为 elem.clear()，则代码速度会加快约 10%，但内存会增加约 10 倍。 lxml.etree 与 elem.clear() 变体配合使用，性能与 cElementTree 相同，但消耗 20 (root .clear()) / 2 (elem.clear()) 倍内存 (500MB)。

Answer 2

如果这仍然是当前问题，您可以尝试 pymzML，mzML 文件的 python 接口。网站：
http://pymzml.github.com/

Answer 3

在这种情况下，我将使用 findall 来查找所有 InstrumentList 元素。然后，在这些结果上，只需访问数据，就像instrumentList 和instrument 是数组一样，您可以获得所有元素，而不必搜索所有元素。

Answer 4

如果您的文件很大，请查看 iterparse() 函数。请务必阅读这篇文章
elementtree的作者，特别是关于“增量解析”的部分。

Answer 5

我知道这已经很旧了，但是我在进行 XML 解析时遇到了这个问题，因为我的 XML 文件非常大。

JF Sebastian的回答确实是正确的，但出现了以下问题。

我注意到，如果您迭代起始属性，有时 elem.text 中的值（如果您在 XML 中有值而不是属性）无法正确读取（有时不返回任何值）。我必须像这样迭代“结束”

it = imap(itemgetter(1),
          iter(etree.iterparse(filename, events=('end',))))
root = next(it) # get root element

如果有人想获取 xml 标记（而不是属性）内的文本，也许他应该迭代“结束”事件而不是“开始”。

但是，如果所有值都在属性中，那么 JF Sebastian 的答案中的代码更正确。

我的案例的 XML 示例：

<data>
<country>
    <name>Liechtenstein</name>
    <rank>1</rank>
    <year>2008</year>
    <gdppc>141100</gdppc>
</country>
<country>
    <name>Singapore</name>
    <rank>4</rank>
    <year>2011</year>
    <gdppc>59900</gdppc>
</country>
<country>
    <name>Panama</name>
    <rank>68</rank>
    <year>2011</year>
    <gdppc>13600</gdppc>
</country>