遍历巨大的 XML 文件并获取值？

Question

我想遍历用户 Whosebug 转储文件。问题是它非常巨大，而且是 XML。对我来说 xml 是一个新主题。我阅读了一些文档和 Whosebug Post 但由于某些原因它不起作用。

XML格式：

<users>
  <row Id="-1" Reputation="1" 
  CreationDate="2008-07-31T00:00:00.000" 
  DisplayName="Community" 
  LastAccessDate="2008-08-26T00:16:53.810" 
  WebsiteUrl="http://meta.stackexchange.com/" 
  Location="on the server farm" AboutMe="&lt;p&gt;Hi, I'm not really a person.&" Views="649" UpVotes="245983" DownVotes="924377" AccountId="-1" 
  />
</users>

代码：

from xml.etree.ElementTree import iterparse

for evt, elem in iterparse('data/Users.xml', events=('start','end')):
    print(evt, elem)

我得到的：

For 循环输出了一堆十六进制代码。最后我得到一个内存异常。也许这是正常的，因为我第二次尝试它并且它迭代 xml 非常快 0.13 seconds

start <Element 'row' at 0x04CC16F0>
end <Element 'row' at 0x04CC16F0>
start <Element 'row' at 0x04CC1810>

希望大家帮忙解答一下问题。我如何获得此输出的值？我想把它保存到 SQL.

所有文件都是 199 GB（徽章、评论、Post链接、Post历史、用户、Posts、标签和投票）。此问题的 Users.xml 为 2,49 GB。但我想把所有来自 SO 的数据都放入数据库中。

您忠实的

HanahDevelope

Answer 1

看起来您只需要遍历所有 row 元素的 end 事件并对属性做一些事情：

from xml.etree.ElementTree import iterparse

for evt, elem in iterparse('data/Users.xml', events=('end',)):
    if elem.tag == 'row':
        user_fields = elem.attrib
        print(user_fields)

这将输出：

{'DisplayName': 'Community', 'Views': '649', 'DownVotes': '924377', 'LastAccessDate': '2008-08-26T00:16:53.810', 'Id': '-1', 'WebsiteUrl': 'http://meta.stackexchange.com/', 'Reputation': '1', 'Location': 'on the server farm', 'UpVotes': '245983', 'CreationDate': '2008-07-31T00:00:00.000', 'AboutMe': "<p>Hi, I'm not really a person.", 'AccountId': '-1'}

遍历巨大的 XML 文件并获取值？

Iterate through Huge XML File and get the Value?

python

xml

parsing

data-processing

python-3.x