2

我正在尝试使用 lxml 和 iterparse 方法编写一个解析器来单步执行一个包含许多项目的非常大的 xml 文件。

我的文件格式为：

<item>
  <title>Item 1</title>
  <desc>Description 1</desc>
  <url>
     <item>http://www.url1.com</item>
  </url>
</item>
<item>
  <title>Item 2</title>
  <desc>Description 2</desc>
  <url>
     <item>http://www.url2.com</item>
  </url>
</item>

到目前为止，我的解决方案是：

from lxml import etree

context = etree.iterparse( MYFILE, tag='item' )

for event, elem in context :
      print elem.xpath( 'description/text( )' )
      elem.clear( )
      while elem.getprevious( ) is not None :
            del elem.getparent( )[0]

del context

当我运行它时，我得到类似于：

[]
['description1']
[]
['description2']

空白集是因为它还提取了 url 标签的子项标签，并且它们显然没有要使用 xpath 提取的描述字段。我的希望是逐个解析出每个项目，然后根据需要处理子字段。我只是在学习 lxml 库，所以我很好奇是否有办法拉出主要项目，同时在遇到任何子项目时不理会？

4

1 回答 1

4

无论如何，核心实现都会解析整个 xml。etree.iterparse 只是生成器样式的视图，它提供了按标签名称进行的简单过滤（请参阅文档字符串http://lxml.de/api/lxml.etree.iterparse-class.html）。如果你想要一个复杂的过滤，你应该自己做。

解决方案：也注册开始事件：

iterparse(self, source, events=("start", "end",), tag="item")

并且有一个布尔值知道您何时处于“item”端，何时处于“item/url/item”端。

于 2011-08-25T00:28:23.120 回答