Perl XML::LibXML 由于元素内的斜率，处理速度非常慢

Question

我写了一段代码将 xml 文件导入数据库，但遇到了巨大的性能问题。 xml 文件有 150 Mb，包含 170,000 个元素 (ART) 和相应的子元素 (REF_DATA, ...)。我能够找出问题的原因，但我不知道如何解决它。

每个元素ART都有子元素（见图）。如果我在 ART 中有几个子元素 ARTPRI，这些子元素与它们的子元素 PTYP 不同，就会出现问题。我想提取每个数据 ARTPRI/VDAT 和 ARTPRI/PRICE 并导入变量 $v_dat_pexf、$v_dat_ppub、$v_dat_zurr 等

下面是我的代码的最小示例。此代码读取一个元素 ART 需要 30 秒。当我删除部件 (START node2 / END node2) 时，xml-文件的处理速度非常快 (< 1s/ART)。

有谁知道为什么这部分代码会减慢进程以及如何处理？感谢您的帮助。

这是 xml 文件：

这是代码：

my $xml_article = "oddb_article.xml";
my $xpc = XML::LibXML::XPathContext->new();
$xpc->registerNs(sr => 'http://whatever');
my $doc = XML::LibXML->load_xml(location => $xml_article);

my @node1_art = $xpc->findnodes("/sr:ARTICLE/sr:ART", $doc);
my $i = 0;
foreach my $node1 ( @node1_art ) {
    $i++;
    my $ref_data           = $xpc->findvalue('./sr:REF_DATA',$node1);
    my @node1_art_artpri   = $xpc->findnodes("/sr:ARTICLE/sr:ART/sr:ARTPRI", $doc);
    my $v_dat_pexf;

    # -- search through each ARTPRI within ART
    # (This is the part which slows down processing)
    # -------- START node2 -----------------------
    foreach my $node2 ( @node1_art_artpri ) {
        my $ctrl1 = $xpc->findvalue('./sr:PTYP',$node2);
        if ( $ctrl1 eq 'PEXF' ) {
        $v_dat_pexf = $xpc->findvalue('./sr:VDAT',$node2);
        }
    # -------- END node2 -----------------------
    }     
print "Row $i\n";
}

这里是复制粘贴版本，包含 3 个 ART 元素：

<?xml version="1.0" encoding="utf-8"?>
<ARTICLE xmlns:xsd="http://www.w3.org/2001/XMLSchema" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://whatever" CREATION_DATETIME="2015-11-17T05:44:14+0100" PROD_DATE="2015-11-17T05:44:14+0100" VALID_DATE="2015-11-17T05:44:14+0100">
  <ART DT="" SHA256="2744a856e9bdf226e68bd555f0695b37f6477c55fca3d9eec36a0740fe8146c2">
    <REF_DATA>1</REF_DATA>
    <PHAR>0000000</PHAR>
    <SALECD>I</SALECD>
    <CDBG>N</CDBG>
    <BG>N</BG>
    <DSCRD>Epimineral Paste</DSCRD>
    <DSCRF>Epimineral pâte</DSCRF>
    <SORTD>EPIMINERAL PASTE</SORTD>
    <SORTF>EPIMINERAL PâTE</SORTF>
    <ARTCOMP>
      <COMPNO>7601003300741</COMPNO>
    </ARTCOMP>
    <ARTBAR>
      <CDTYP>E13</CDTYP>
      <BC>0</BC>
      <BCSTAT>A</BCSTAT>
    </ARTBAR>
    <ARTPRI>
      <VDAT>01.10.2015</VDAT>
      <PTYP>PEXF</PTYP>
      <PRICE>305.83</PRICE>
    </ARTPRI>
    <ARTPRI>
      <VDAT>01.10.2015</VDAT>
      <PTYP>PPUB</PTYP>
      <PRICE>367.5</PRICE>
    </ARTPRI>
    <ARTINS>
      <NINCD>10</NINCD>
    </ARTINS>
  </ART>
  <ART DT="" SHA256="ac0eb1ad7c81f5476541ead533c48690a2c9cf3b1dd0ba8ae295145b6bcb1b40">
    <REF_DATA>0</REF_DATA>
    <PHAR>0021976</PHAR>
    <SALECD>I</SALECD>
    <CDBG>N</CDBG>
    <BG>N</BG>
    <DSCRD>DIOPARINE Gtt Opht 7500 E 5 ml</DSCRD>
    <DSCRF>DIOPARINE Gtt Opht 7500 E 5 ml</DSCRF>
    <SORTD>DIOPARINE GTT OPHT 7500 E 5 ML</SORTD>
    <SORTF>DIOPARINE GTT OPHT 7500 E 5 ML</SORTF>
    <ARTCOMP/>
    <ARTBAR>
      <CDTYP>E13</CDTYP>
      <BC>0</BC>
      <BCSTAT>A</BCSTAT>
    </ARTBAR>
    <ARTPRI>
      <VDAT>01.10.2015</VDAT>
      <PTYP>PEXF</PTYP>
      <PRICE>305.83</PRICE>
    </ARTPRI>
    <ARTPRI>
      <VDAT>01.10.2015</VDAT>
      <PTYP>PPUB</PTYP>
      <PRICE>367.5</PRICE>
    </ARTPRI>
  </ART>
  <ART DT="" SHA256="ecc62600e79183822abddb3af0d2a1f9dfb9f2c343c51a2cf135a45354ba7de1">
    <REF_DATA>0</REF_DATA>
    <PHAR>0027447</PHAR>
    <SALECD>I</SALECD>
    <CDBG>N</CDBG>
    <BG>N</BG>
    <DSCRD>ARTHROSENEX Salbe 100 g</DSCRD>
    <DSCRF>ARTHROSENEX Salbe 100 g</DSCRF>
    <SORTD>ARTHROSENEX SALBE 100 G</SORTD>
    <SORTF>ARTHROSENEX SALBE 100 G</SORTF>
    <ARTCOMP/>
    <ARTBAR>
      <CDTYP>E13</CDTYP>
      <BC>0</BC>
      <BCSTAT>A</BCSTAT>
    </ARTBAR>
    <ARTPRI>
      <VDAT>01.10.2015</VDAT>
      <PTYP>PEXF</PTYP>
      <PRICE>305.83</PRICE>
    </ARTPRI>
    <ARTPRI>
      <VDAT>01.10.2015</VDAT>
      <PTYP>PPUB</PTYP>
      <PRICE>367.5</PRICE>
    </ARTPRI>
  </ART>
  <RESULT>
    <OK_ERROR>OK</OK_ERROR>
    <NBR_RECORD>170673</NBR_RECORD>
    <ERROR_CODE/>
    <MESSAGE/>
  </RESULT>
</ARTICLE>

Answer 1

我认为您的问题的根源在于这两行的组合：

my @node1_art = $xpc->findnodes("/sr:ARTICLE/sr:ART", $doc);


my @node1_art_artpri   = $xpc->findnodes("/sr:ARTICLE/sr:ART/sr:ARTPRI", $doc);

因为看起来您在整个文档中找到每个 ART 节点（扫描整个文档），然后对于每个这样的节点 - 您正在再次扫描整个文档找到每个 ARTPRI 节点。

您随后迭代的对象：

foreach my $node2 ( @node1_art_artpri ) {

...但只捕获您找到的最后一个值。

这看起来可能是一个逻辑错误（很难确定）。

但是您是否尝试过在每次循环迭代时打印，看看它打印了多少次？

因为看起来的目的是只去几次。您的示例 ART 下面只有两个 ARTPRI 节点，但它会做得更多。

这应该可以通过以下方式解决：

my @node1_art_artpri   = $xpc->findnodes("./sr:ARTPRI", $node1);

（或类似的东西 - 重要的部分是将上下文设置为节点，而不是文档）。

或者可能使用 xpath 而不是您的逻辑条件：

#!/usr/bin/env perl

use strict;
use warnings;

use XML::LibXML;

my $xpc = XML::LibXML::XPathContext->new();
$xpc->registerNs( sr => 'http://whatever' );
my $doc = XML::LibXML->load_xml( location => 'test4.xml' );

foreach my $node1 ( $xpc->findnodes( "/sr:ARTICLE/sr:ART", $doc ) ) {
    my $ref_data = $xpc->findvalue( './sr:REF_DATA', $node1 );
    my $v_dat_pexf =
        $xpc->findvalue( './sr:ARTPRI/sr:PTYP[text()="PEXF"]/../sr:VDAT', $node1 );
    print "$ref_data => $v_dat_pexf\n";
}

但实际上对于这类任务，我可能会考虑 XML::Twig，它可以让您通过 twig_handlers 做事 - 从而减少内存占用。

#!/usr/bin/env perl

use strict;
use warnings;

use XML::Twig;

sub extract_pexf {
   my ( $twig, $ART ) = @_; 
   #or stuff it in an array, whatever. 
   print $ART -> first_child_text('REF_DATA'), " => ";
   print $ART -> get_xpath('.//ARTPRI/PTYP[string()="PEXF"]/../VDAT',0) -> text,"\n";
   $twig -> purge; #clear processed data from memory. 
}

XML::Twig -> new ( twig_handlers => { 'ART' => \&extract_pexf } ) -> parsefile ( 'your_xml' );

Perl XML::LibXML 由于元素内的斜率，处理速度非常慢

Perl XML::LibXML very slow processing due to slope within elements

xml

perl

libxml2

xml-libxml