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，由於需要處理的文件數量太大，這兩種方式耗時太高無法接受。
在網絡搜索後發現，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，於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。
解壓後的XML文件內容示例為：
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，之後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。
由於DOM解析需要將整個文件讀入內存，並建立樹結構，其內存消耗和時間消耗都比較高，但其優點在於邏輯簡單，不需要定義回調函數，便於實現。
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','') #寫入解析後內容
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，由於SAX采用逐行解析，對於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。其缺點在於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','') #寫入解析後內容
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。
相較於SAX解析，ET解析時間更短，並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','') #寫入解析後內容
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解析後，解析效率比ET提升了近50%，而相較於DOM解析更是提升了35倍，在解析效率提升的同時，由於其采用了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。
主程序文件為/linux/os_walk_dom_parser_func.py，測試用mro文件目錄為：/mro
測試用的程序和文件可以到我的github頁面下載，歡迎小伙伴們一起學習討論。
