用lxml解析大型XML

Question

我正在尝试让我的脚本工作。到目前为止，它不能输出任何东西。

这是我的test.xml

<mediawiki xmlns="http://www.mediawiki.org/xml/export-0.8/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.mediawiki.org/xml/export-0.8/ http://www.mediawiki.org/xml/export-0.8.xsd" version="0.8" xml:lang="it"> 
<page> 
    <title>MediaWiki:Category</title> 
    <ns>0</ns> 
    <id>2</id> 
    <revision> 
     <id>11248</id> 
     <timestamp>2003-12-31T13:47:54Z</timestamp> 
     <contributor> 
     <username>Frieda</username> 
     <id>0</id> 
     </contributor> 
     <minor /> 
     <text xml:space="preserve">categoria</text> 
     <sha1>0acykl71lto9v65yve23lmjgia1h6sz</sha1> 
     <model>wikitext</model> 
     <format>text/x-wiki</format> 
    </revision> 
    </page> 
</mediawiki> 

这是我的代码

from lxml import etree 

def fast_iter(context, func): 
    # fast_iter is useful if you need to free memory while iterating through a 
    # very large XML file. 
    # 
    # http://www.ibm.com/developerworks/xml/library/x-hiperfparse/ 
    # Author: Liza Daly 
    for event, elem in context: 
     func(elem) 
     elem.clear() 
     while elem.getprevious() is not None: 
      del elem.getparent()[0] 
    del context 

def process_element(elem): 
    if elem.ns.text == '0': 
     print elem.title.text 

context=etree.iterparse('test.xml', events=('end',), tag='page') 
fast_iter(context, process_element) 

我没有得到任何错误，根本没有输出。我想要得到的是，如果是0

Answer 1

您解析命名空间的文件解析的元素，并没有'page'标签目前，由于只适用于标签没有命名空间。

您正在寻找'{http://www.mediawiki.org/xml/export-0.8/}page'元素，其中包含'{http://www.mediawiki.org/xml/export-0.8/}ns'元素。

很多lxml方法确实让你指定一个名称空间映射来使匹配更容易，但不幸的是iterparse()方法不是其中之一。

以下.iterparse()调用肯定​​进程的权利page标签：

context = etree.iterparse('test.xml', events=('end',), tag='{http://www.mediawiki.org/xml/export-0.8/}page') 

但你需要使用.find()来获取页面元素的ns和title标签，或者使用xpath()调用获取文本直接：

def process_element(elem): 
    if elem.xpath("./*[local-name()='ns']/text()=0"): 
     print elem.xpath("./*[local-name()='title']/text()")[0] 

它，您的输入例如，打印：

>>> fast_iter(context, process_element) 
MediaWiki:Category