Tengo un archivo xml masivo. Sin embargo, solo estoy interesado en un solo pequeño subárbol de este árbol masivo. Quiero analizar este subárbol, pero no quiero perder el tiempo analizando todo el árbol masivo cuando solo voy a usar una pequeña parte de él.
Idealmente, me gustaría escanear el archivo hasta que encuentre
el comienzo de este subárbol, analizar el subárbol hasta que llegue
al final y luego ni siquiera me moleste en leer el resto del
archivo. Tal vez incluso describir el subárbol que me interesa con
una expresión XPath. ¿Hay alguna forma de hacerlo utilizando
lxmlDe Sillas Mano Wallapop En Plegables Segunda Almería VSzMqUpG ?
Parece que es posible que pueda hacer algo como esto utilizando el
método iterparse() , pero según los documentos, parece
que no produce un objeto analizado, que quiero usar. ¿Alguna
sugerencia?
(No se requiere el uso de lxml, pero quiero usar Python, e idealmente me gustaría que sea rápido).
Me da la impresión de que iterparse es lo que quieres. Mirando la sección "Eventos de etiqueta selectiva" en http://lxml.de/parsing.html parece que eso te da lo que deseas:
context = etree.iterparse(xmlfile, tag="yourSubTree")
action, elem = context.next()
etree.iterwalk(elem, ...)...
Parece que XPath también podría funcionar, pero supongo que XPath lee en todo el árbol antes de regresar, mientras que yo esperaría que iterparse caminara solo hasta que tuviera una coincidencia. Valdría la pena perfilar los dos enfoques.
Iterparse aún requerirá analizar todo hasta el subárbol que desee. Puede ser más eficiente extraer el subárbol antes de pasarlo al analizador con una expresión regular. Puede intentar escribir un analizador de saxofón. Sax es probablemente más lento que lxml, pero no usará mucha memoria, por lo que en algunos casos podría ser mejor.