PYTHON解析XML的多种方式效率对比实测

时间：2021-12-15 09:25:44

在最初学习PYTHON的时候，只知道有DOM和SAX两种解析方法，但是其效率都不够理想，由于需要处理的文件数量太大，这两种方式耗时太高无法接受。

在网络搜索后发现，目前应用比较广泛，且效率相对较高的ElementTree也是一个比较多人推荐的算法，于是拿这个算法来实测对比，ElementTree也包括两种实现，一个是普通ElementTree（ET），一个是ElementTree.iterparse（ET_iter）。

本文将对DOM、SAX、ET、ET_iter四种方式进行横向对比，通过处理相同文件比较各个算法的用时来评估其效率。

程序中将四种解析方法均写为函数，在主程序中分别调用，来评估其解析效率。

解压后的XML文件内容示例如下，我自己的需求是解析其中第一个measurement内容，其他的内容丢弃。eNB的属性以及object的属性都需要解析并和v字段的文本一起写入csv文件。

<?xml version="1.0" encoding="UTF-8"?>

<bulkPmMrDataFile>

    <fileHeader fileFormatVersion="V1.0.4" reportTime="2016-02-22T21:00:00.000" ></fileHeader>

    <eNB id="122941">

        <measurement>

            <smr>MR.LteScRSRP MR.LteScRSRQ MR.LteScTadv MR.LteSceNBRxTxTimeDiff ...</smr>

            <object id="31472897" MmeUeS1apId="2417300878" MmeGroupId="1025" MmeCode="199" TimeStamp="2016-02-22T20:00:02.517">

                <v>38 22 6 31 34 0 34 38400 110 NIL NIL NIL NIL NIL NIL NIL NIL NIL NIL NIL 7 23 NIL 26 24 0 0 </v>

            </object>

            <object id="31472897" MmeUeS1apId="2416229278" MmeGroupId="1025" MmeCode="199" TimeStamp="2016-02-22T20:00:02.792">

                <v>61 30 5 32 45 0 27 38400 110 NIL NIL NIL NIL NIL NIL NIL NIL NIL NIL NIL 7 14 NIL 1 49 0 0 </v>

            </object>

            <object id="31472897" MmeUeS1apId="2148286566" MmeGroupId="1025" MmeCode="199" TimeStamp="2016-02-22T20:00:07.177">

                <v>42 26 5 31 30 412 35 38400 110 NIL NIL NIL NIL NIL NIL NIL NIL NIL NIL NIL 7 14 NIL 26 24 0 0 </v>

            </object>

            <object id="31472897" MmeUeS1apId="2417300878" MmeGroupId="1025" MmeCode="199" TimeStamp="2016-02-22T20:00:07.677">

                <v>39 22 7 31 35 387 36 38400 110 36 18 38400 108 NIL NIL NIL NIL NIL NIL NIL 5 10 NIL 25 25 0 0 </v>

            </object>

            <object id="31472897" MmeUeS1apId="2416229278" MmeGroupId="1025" MmeCode="199" TimeStamp="2016-02-22T20:00:07.962">

                <v>61 27 5 31 43 427 36 38400 110 49 4 38400 108 NIL NIL NIL NIL NIL NIL NIL 9 13 NIL 1 49 0 0 </v>

                <v>61 27 5 31 43 427 36 38400 110 46 0 38400 295 NIL NIL NIL NIL NIL NIL NIL 9 13 NIL 1 49 0 0 </v>

            </object>

            <object id="31472897" MmeUeS1apId="269973066" MmeGroupId="1025" MmeCode="199" TimeStamp="2016-02-22T20:00:08.382">

                <v>41 23 9 32 23 447 36 38400 110 32 11 38400 358 NIL NIL NIL NIL NIL NIL NIL 6 22 NIL 24 26 0 0 </v>

                <v>41 23 9 32 23 447 36 38400 110 31 7 38400 295 NIL NIL NIL NIL NIL NIL NIL 6 22 NIL 24 26 0 0 </v>

                <v>41 23 9 32 23 447 36 38400 110 28 8 38400 460 NIL NIL NIL NIL NIL NIL NIL 6 22 NIL 24 26 0 0 </v>

            </object>

        </measurement>

        <measurement>

            <smr>MR.LteScPlrULQci1 MR.LteScPlrULQci2 MR.LteScPlrULQci3 MR.LteScPlrULQci4 ...</smr>

            <object id="60057088" MmeUeS1apId="2416982066" MmeGroupId="1025" MmeCode="206" TimeStamp="2016-02-24T06:00:03.962">

                <v>NIL NIL NIL NIL NIL NIL NIL NIL 0 NIL NIL NIL NIL NIL NIL NIL NIL 0 </v>

            </object>

            ..........................

        </measurement>

        <measurement>

            <smr>MR.LteScRIP</smr>

            <object id="60057089:37900:2" TimeStamp="2016-02-24T06:00:11.259" MmeCode="NIL" MmeGroupId="NIL" MmeUeS1apId="NIL">

                <v>81</v>

            </object>

            ..........................

        </measurement>

    </eNB>

</bulkPmMrDataFile>

主程序函数调用部分代码为：

    print("文件计数：%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

在最初的函数调用中函数返回两个值，但接收函数调用值时用两个变量分别调用，导致每个函数都要执行两次，之后修改为一次调用两个变量接收返回值，减少了无效调用。

1、DOM解析

函数定义代码：

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("已读入：%s.\n解析中：" % (os.path.abspath(gz)))

    doc = xml.dom.minidom.parseString(xm.read())

    bulkPmMrDataFile = doc.documentElement

    #读入子元素

    enbs = bulkPmMrDataFile.getElementsByTagName("eNB")

    measurements = enbs[0].getElementsByTagName("measurement")

    objects = measurements[0].getElementsByTagName("object")

    #写入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')  #获取文本值

    str_s = (((file_io.getvalue().replace(' \n','\r\n')).replace(' ',',')).replace('T',' ')).replace('NIL','')

    xm.close()

    file_io.close()

    return (str_s,vs_cnt)

程序运行结果：

**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

………………………………………

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：107.077867，每秒处理行数：1660。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************

程序处理结束。

由于DOM解析需要将整个文件读入内存，并建立树结构，其内存消耗和时间消耗都比较高，但其优点在于逻辑简单，不需要定义回调函数，便于实现。

2、SAX解析

函数定义代码：

def sax_parser(gz):

    import os,gzip,cStringIO

    from xml.parsers.expat import ParserCreate

    #变量声明

    d_eNB = {}

    d_obj = {}

    s = ''

    global flag

    flag = False

    file_io = cStringIO.StringIO()

    #Sax解析类

    class DefaultSaxHandler(object):

        #处理开始标签

        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

        #处理中间文本

        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

        #处理结束标签

        def end_element(self, name):

            global d_eNB

            global d_obj

            if name == 'v':

                file_io.write('\n')

            else:

                pass

    #Sax解析调用

    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("已读入：%s.\n解析中：" % (os.path.abspath(gz)))

    for line in xm.readlines():

        parser.Parse(line) #解析xml文件内容

        if flag:

            break

    str_s = file_io.getvalue().replace(' \n','\r\n').replace(' ',',').replace('T',' ').replace('NIL','')    #写入解析后内容

    xm.close()

    file_io.close()

    return (str_s,vs_cnt)

程序运行结果：

**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

.........................................

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：14.386779，每秒处理行数：12361。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************

程序处理结束。

SAX解析相比DOM解析，运行时间大幅缩短，由于SAX采用逐行解析，对于处理较大文件其占用内存也少，因此SAX解析是目前应用较多的一种解析方法。其缺点在于需要自己实现回调函数，逻辑较为复杂。

3、ET解析

函数定义代码：

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("已读入：%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','')    #写入解析后内容

    xm.close()

    file_io.close()

    return (str_s,vs_cnt)

程序运行结果：

**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

...........................................

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：4.308103，每秒处理行数：41282。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************

程序处理结束。

相较于SAX解析，ET解析时间更短，并且函数实现也比较简单，所以ET具有类似DOM的简单逻辑实现且匹敌SAX的解析效率，因此ET是目前XML解析的首选。

4、ET_iter解析

函数定义代码：

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("已读入：%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','')    #写入解析后内容

    xm.close()

    file_io.close()

    return (str_s,vs_cnt)

程序运行结果：

**************************************************

程序处理启动。

输入目录为：/tmcdata/mro2csv/input31/。

输出目录为：/tmcdata/mro2csv/output31/。

输入目录下.gz文件个数为：12，本次处理其中的12个。

**************************************************

文件计数：1/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_234598_20160224060000.xml.gz.

解析中：

文件计数：2/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_233798_20160224060000.xml.gz.

解析中：

文件计数：3/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_123798_20160224060000.xml.gz.

解析中：

...................................................

文件计数：12/12.

已读入：/tmcdata/mro2csv/input31/TD-LTE_MRO_NSN_OMC_235598_20160224060000.xml.gz.

解析中：

VS行计数：177849，运行时间：3.043805，每秒处理行数：58429。

已写入：/tmcdata/mro2csv/output31/mro_0001.csv。

**************************************************

程序处理结束。

在引入了ET_iter解析后，解析效率比ET提升了近50%，而相较于DOM解析更是提升了35倍，在解析效率提升的同时，由于其采用了iterparse这个循序解析的工具，其内存占用也是比较小的。

所以，小伙伴们，请好好利用这几种工具吧。

主程序文件为./xml_parser/os_walk_dom_parser_func.py，测试用mro文件目录为：./mro

测试用的程序和文件可以到我的github页面下载，欢迎小伙伴们一起学习讨论。

相关文章