使用Ruby和Nokogiri解析大型XML文件

Question

我有一个大的XML文件(大约10K行)我需要定期解析这种格式:

<summarysection>
    <totalcount>10000</totalcount>
</summarysection>
<items>
     <item>
         <cat>Category</cat>
         <name>Name 1</name>
         <value>Val 1</value>
     </item>
     ...... 10,000 more times
</items>

我想要做的是使用nokogiri解析每个节点,以计算一个类别中的项目数量.然后,我想从total_count中减去该数字,得到一个读数为"Count of Interest_Category:n,Count of All Else:z"的输出.

这是我现在的代码:

#!/usr/bin/ruby

require 'rubygems'
require 'nokogiri'
require 'open-uri'

icount = 0 
xmlfeed = Nokogiri::XML(open("/path/to/file/all.xml"))
all_items = xmlfeed.xpath("//items")

  all_items.each do |adv|
            if (adv.children.filter("cat").first.child.inner_text.include? "partofcatname")
                icount = icount + 1
            end
  end

othercount = xmlfeed.xpath("//totalcount").inner_text.to_i - icount 

puts icount
puts othercount

这似乎有效,但速度很慢!对于10,000件物品,我说的时间超过10分钟.有一个更好的方法吗？我是以不太理想的方式做事吗？

Answer 1

这是一个将SAX解析器计数与基于DOM的计数进行比较的示例,<item>使用七个类别中的一个计算500,000 秒.一,输出:

创建XML文件:1.7s
通过SAX计数:12.9s
创建DOM:1.6s
通过DOM计数:2.5s

这两种技术都产生相同的哈希值,计算每个类别的数量:

{"Cats"=>71423, "Llamas"=>71290, "Pigs"=>71730, "Sheep"=>71491, "Dogs"=>71331, "Cows"=>71536, "Hogs"=>71199}

SAX版本需要12.9秒进行计数和分类,而DOM版本只需1.6秒即可创建DOM元素,而2.5s则需要2.5秒来查找和分类所有<cat>值.DOM版本的速度快3倍!

......但这不是整个故事.我们还要看看RAM的使用情况.

• 对于500,000个项目,SAX(12.9s)达到238MB RAM; DOM(4.1s)达到1.0GB.
• 对于1,000,000件产品,SAX(25.5s)达到243MB RAM; DOM(8.1s)达到2.0GB.
• 对于2,000,000件产品,SAX(55.1s)达到250MB RAM; DOM(???)峰值为3.2GB.

我的机器上有足够的内存来处理1,000,000个项目,但是在2,000,000时我用完了内存,不得不开始使用虚拟内存.即使使用SSD和快速机器,我也会让DOM代码运行近十分钟,然后再杀死它.

您报告的时间很长很可能是因为您的RAM耗尽并且作为虚拟内存的一部分连续点击磁盘.如果您可以将DOM放入内存中,请使用它,因为它很快.但是,如果不能,则必须使用SAX版本.

这是测试代码:

require 'nokogiri'

CATEGORIES = %w[ Cats Dogs Hogs Cows Sheep Pigs Llamas ]
ITEM_COUNT = 500_000

def test!
  create_xml
  sleep 2; GC.start # Time to read memory before cleaning the slate
  test_sax
  sleep 2; GC.start # Time to read memory before cleaning the slate
  test_dom
end

def time(label)
  t1 = Time.now
  yield.tap{ puts "%s: %.1fs" % [ label, Time.now-t1 ] }
end

def test_sax
  item_counts = time("Count via SAX") do
    counter = CategoryCounter.new
    # Use parse_file so we can stream data from disk instead of flooding RAM
    Nokogiri::HTML::SAX::Parser.new(counter).parse_file('tmp.xml')
    counter.category_counts
  end
  # p item_counts
end

def test_dom
  doc = time("Create DOM"){ File.open('tmp.xml','r'){ |f| Nokogiri.XML(f) } }
  counts = time("Count via DOM") do
    counts = Hash.new(0)
    doc.xpath('//cat').each do |cat|
      counts[cat.children[0].content] += 1
    end
    counts
  end
  # p counts
end

class CategoryCounter < Nokogiri::XML::SAX::Document
  attr_reader :category_counts
  def initialize
    @category_counts = Hash.new(0)
  end
  def start_element(name,att=nil)
    @count = name=='cat'
  end
  def characters(str)
    if @count
      @category_counts[str] += 1
      @count = false
    end
  end
end

def create_xml
  time("Create XML file") do
    File.open('tmp.xml','w') do |f|
      f << "<root>
      <summarysection><totalcount>10000</totalcount></summarysection>
      <items>
      #{
        ITEM_COUNT.times.map{ |i|
          "<item>
            <cat>#{CATEGORIES.sample}</cat>
            <name>Name #{i}</name>
            <name>Value #{i}</name>
          </item>"
        }.join("\n")
      }
      </items>
      </root>"
    end
  end
end

test! if __FILE__ == $0

DOM计数如何工作？

如果我们剥离一些测试结构,基于DOM的计数器看起来像这样:

# Open the file on disk and pass it to Nokogiri so that it can stream read;
# Better than  doc = Nokogiri.XML(IO.read('tmp.xml'))
# which requires us to load a huge string into memory just to parse it
doc = File.open('tmp.xml','r'){ |f| Nokogiri.XML(f) }

# Create a hash with default '0' values for any 'missing' keys
counts = Hash.new(0) 

# Find every `<cat>` element in the document (assumes one per <item>)
doc.xpath('//cat').each do |cat|
  # Get the child text node's content and use it as the key to the hash
  counts[cat.children[0].content] += 1
end

SAX计数如何工作？

首先,让我们关注这段代码:

class CategoryCounter < Nokogiri::XML::SAX::Document
  attr_reader :category_counts
  def initialize
    @category_counts = Hash.new(0)
  end
  def start_element(name,att=nil)
    @count = name=='cat'
  end
  def characters(str)
    if @count
      @category_counts[str] += 1
      @count = false
    end
  end
end

当我们创建这个类的新实例时,我们得到一个对象,它具有一个Hash,对于所有值默认为0,以及可以在其上调用的几个方法.SAX Parser将在文档中运行时调用这些方法.

• 每次SAX解析器看到一个新元素时,它都会调用start_element该类的方法.当发生这种情况时,我们根据这个元素是否被命名为"cat"来设置一个标志(以便我们以后可以找到它的名称).

• 每当SAX解析器啜饮一大块文本时,它就会调用characters我们对象的方法.当发生这种情况时,我们检查我们看到的最后一个元素是否是一个类别(即如果@count设置为true); 如果是这样,我们使用此文本节点的值作为类别名称,并将一个值添加到我们的计数器中.

要在Nokogiri的SAX解析器中使用我们的自定义对象,我们这样做:

# Create a new instance, with its empty hash
counter = CategoryCounter.new

# Create a new parser that will call methods on our object, and then
# use `parse_file` so that it streams data from disk instead of flooding RAM
Nokogiri::HTML::SAX::Parser.new(counter).parse_file('tmp.xml')

# Once that's done, we can get the hash of category counts back from our object
counts = counter.category_counts
p counts["Pigs"]

Answer 2

通过将代码更改为以下内容，可以显着减少执行时间。只需将“99”更改为您要检查的任何类别即可：

require 'rubygems'
require 'nokogiri'
require 'open-uri'

icount = 0 
xmlfeed = Nokogiri::XML(open("test.xml"))
items = xmlfeed.xpath("//item")
items.each do |item|
  text = item.children.children.first.text  
  if ( text =~ /99/ )
    icount += 1
  end
end

othercount = xmlfeed.xpath("//totalcount").inner_text.to_i - icount 

puts icount
puts othercount

在我的机器上这花了大约三秒钟。我认为您犯的一个关键错误是您选择了“项目”迭代而不是创建“项目”节点的集合。这使得你的迭代代码变得笨拙且缓慢。