ruby - 使用 Ruby 和 Nokogiri 解析大型 XML 文件

Question

我有一个很大的 XML 文件(大约 10K 行)，我需要定期解析这种格式的文件:

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

我想做的是使用 nokogiri 解析每个单独的节点，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，得到一个输出“Count of Interest_Category: n, Count of All Else: z”。

现在这是我的代码:

#!/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

这似乎可行，但速度很慢!我说 10,000 件元素需要 10 多分钟。有一个更好的方法吗？我做某事的方式不是很理想吗？

Answer 1

这是一个比较 SAX 解析器计数与基于 DOM 的计数的示例，计数为 500,000 <item>具有七个类别之一。一、输出:

Create XML file: 1.7s
Count via SAX: 12.9s
Create DOM: 1.6s
Count via DOM: 2.5s

这两种技术都会产生相同的哈希值，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 秒来计算和分类，而 DOM 版本只需要 1.6 秒来创建 DOM 元素，多 2.5 秒来查找和分类所有 <cat>值。 DOM 版本的速度大约是原来的 3 倍!

……但这还不是全部。我们还必须查看 RAM 使用情况。

• 对于 500,000 个项目，SAX(12.9 秒)的峰值为 238MB RAM； DOM (4.1s) 峰值为 1.0GB。
• 对于 1,000,000 个项目，SAX(25.5 秒)在 243MB RAM 时达到峰值； DOM (8.1s) 峰值为 2.0GB。
• 对于 2,000,000 个项目，SAX (55.1s) 在 250MB RAM 时达到峰值； 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，但在处理 2,000,000 个项目时我用完了 RAM，不得不开始使用虚拟内存。即使使用 SSD 和快速机器，我还是让 DOM 代码运行了将近十分钟，然后才最终将其终止。

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不断地访问磁盘。如果您可以将 DOM 装入内存，请使用它，因为它很快。但是，如果不能，那么您真的必须使用 SAX 版本。

测试代码如下:

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 计数是如何工作的？

如果我们去掉一些测试结构，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 计数是如何工作的？

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

当我们创建此类的新实例时，我们会得到一个对象，该对象的所有值的哈希值默认为 0，并且有几个可以对其调用的方法。 SAX 解析器将在遍历文档时调用这些方法。

• 每次 SAX 解析器看到一个新元素时，它都会调用 start_element这个类的方法。发生这种情况时，我们会根据该元素是否命名为“cat”设置一个标志(以便我们稍后可以找到它的名称)。

• 每次 SAX 解析器处理一大块文本时，它都会调用 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 @count 是否设置为 true )；如果是这样，我们使用这个文本节点的值作为类别名称，并向我们的计数器加一。

要将我们的自定义对象与 Nokogiri 的 SAX 解析器一起使用，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"]