使用Python解析大型xml文件--etree.parse错误

Question

尝试使用lxml.etree.iterparse函数解析以下Python文件.

"sampleoutput.xml"

<item>
  <title>Item 1</title>
  <desc>Description 1</desc>
</item>
<item>
  <title>Item 2</title>
  <desc>Description 2</desc>
</item>

我尝试使用Python lxml和Iterparse解析大型XML文件中的代码

在etree.iterparse(MYFILE)调用之前我做了MYFILE = open("/ Users/eric/Desktop/wikipedia_map/sampleoutput.xml","r")

但它出现了以下错误

Traceback (most recent call last):
  File "/Users/eric/Documents/Programming/Eclipse_Workspace/wikipedia_mapper/testscraper.py", line 6, in <module>
    for event, elem in context :
  File "iterparse.pxi", line 491, in lxml.etree.iterparse.__next__ (src/lxml/lxml.etree.c:98565)
  File "iterparse.pxi", line 543, in lxml.etree.iterparse._read_more_events (src/lxml/lxml.etree.c:99086)
  File "parser.pxi", line 590, in lxml.etree._raiseParseError (src/lxml/lxml.etree.c:74712)
lxml.etree.XMLSyntaxError: Extra content at the end of the document, line 5, column 1

有任何想法吗？谢谢!

Answer 1

问题是,如果XML没有恰好一个顶级标记,那么XML格式不正确.您可以通过将整个文档包装在<items></items>标记中来修复示例.您还需要<desc/>标记以匹配您正在使用的查询(description).

以下文档使用现有代码生成正确的结果:

<items>
  <item>
    <title>Item 1</title>
    <description>Description 1</description>
  </item>
  <item>
    <title>Item 2</title>
    <description>Description 2</description>
  </item>
</items>

Answer 2

据我所知，xml.etree.ElementTree通常期望XML文件包含一个“根”元素，即一个包含完整文档结构的XML标记。从您发布的错误消息中，我也认为这也是问题所在：

“第5行”指的是第二个<item>标签，因此我猜Python抱怨说，在假定的根元素（即第一个<item>标签）关闭之后，还有更多数据。