13

我有一个非常大的 XML 文件（准确地说是 20GB，是的，我需要全部）。当我尝试加载文件时，我收到此错误：

Python(23358) malloc: *** mmap(size=140736680968192) failed (error code=12)
*** error: can't allocate region
*** set a breakpoint in malloc_error_break to debug
Traceback (most recent call last):
  File "file.py", line 5, in <module>
    code = xml.read()
MemoryError

这是我拥有的当前代码，用于读取 XML 文件：

from bs4 import BeautifulSoup
xml = open('pages_full.xml', 'r')
code = xml.read()
xml.close()
soup = BeautifulSoup(code)

现在，我将如何消除此错误并能够继续编写脚本。我会尝试将文件拆分为单独的文件，但由于我不知道这会如何影响 BeautifulSoup 以及 XML 数据，我宁愿不这样做。

（XML 数据是我自愿参加的一个 wiki 的数据库转储，使用它导入来自不同时间段的数据，使用来自许多页面的直接信息）

4

1 回答 1

21

不要使用 BeautifulSoup 来尝试解析这么大的 XML 文件。请改用ElementTree API。具体来说，使用该iterparse()函数将文件解析为流，在收到元素通知时处理信息，然后再次删除元素：

from xml.etree import ElementTree as ET

parser = ET.iterparse(filename)

for event, element in parser:
    # element is a whole element
    if element.tag == 'yourelement'
         # do something with this element
         # then clean up
         element.clear()

通过使用事件驱动的方法，您无需将整个XML 文档保存在内存中，您只需提取所需的内容并丢弃其余部分。

请参阅iterparse()教程和文档。

或者，您也可以使用lxml 库；它以更快、功能更齐全的软件包提供相同的 API。

于 2013-02-17T18:18:13.670 回答