python - 全流式 XML 解析器

Question

我正在尝试使用 Exchange GetAttachment网络服务使用requests , lxml和 base64io .此服务在 SOAP XML HTTP 响应中返回一个 base64 编码的文件。文件内容包含在单个 XML 元素的一行中。 GetAttachment只是一个例子，但问题更普遍。

我想将解码后的文件内容直接流式传输到磁盘，而不会将附件的全部内容随时存储在内存中，因为一个附件可能有几百 MB。

我试过这样的:

r = requests.post('https://example.com/EWS/Exchange.asmx', data=..., stream=True)
with open('foo.txt', 'wb') as f:
    for action, elem in lxml.etree.iterparse(GzipFile(fileobj=r.raw)):
    if elem.tag == 't:Content':
        b64_encoder = Base64IO(BytesIO(elem.text))
        f.write(b64_encoder.read())

但 lxml 仍将附件的副本存储为 elem.text。有什么方法可以创建一个完全流式传输的 XML 解析器，它还可以直接从输入流中流式传输元素的内容吗？

Answer 1

不要使用 iterparse在这种情况下。 iterparse()方法只能发出元素开始和结束事件，因此当找到结束 XML 标记时，元素中的任何文本都会提供给您。

相反，使用 SAX parser interface .这是 XML 解析库的通用标准，用于将解析后的数据传递给内容处理程序。 ContentHandler.characters() callback以 block 的形式传递字符数据(假设实现 XML 库实际上利用了这种可能性)。这是来自 ElementTree API 的较低级别 API，并且 Python 标准库已经捆绑了 Expat 解析器来驱动它。

那么流程就变成了:

• 将传入的请求流包装在 GzipFile 中为了方便减压。或者，更好的是，设置 response.raw.decode_content = True并根据服务器设置的内容编码将解压留给请求库。
• 传递 GzipFile实例或原始流到 .parse() method使用 xml.sax.make_parser() 创建的解析器.然后解析器继续以 block 的形式从流中读取。通过使用 make_parser()您首先可以启用命名空间处理等功能(如果 Exchange 决定更改用于每个命名空间的短前缀，这将确保您的代码不会中断)。
• 内容处理器characters()使用 XML 数据 block 调用方法；检查正确的元素启动事件，以便您知道何时需要 base64 数据。您可以在 chunks of (a multiple of) 4 characters 中解码该 base64 数据一次，并将其写入文件。我不会使用 base64io在这里，只做你自己的分块。

一个简单的内容处理器可以是:

from xml.sax import handler
from base64 import b64decode

class AttachmentContentHandler(handler.ContentHandler):
    types_ns = 'http://schemas.microsoft.com/exchange/services/2006/types'

    def __init__(self, filename):
        self.filename = filename

    def startDocument(self):
        self._buffer = None
        self._file = None

    def startElementNS(self, name, *args):
        if name == (self.types_ns, 'Content'):
            # we can expect base64 data next
            self._file = open(self.filename, 'wb')
            self._buffer = []

    def endElementNS(self, name, *args):
        if name == (self.types_ns, 'Content'):
            # all attachment data received, close the file
            try:
                if self._buffer:
                    raise ValueError("Incomplete Base64 data")
            finally:
                self._file.close()
                self._file = self._buffer = None

    def characters(self, data):
        if self._buffer is None:
            return
        self._buffer.append(data)
        self._decode_buffer()

    def _decode_buffer(self):
        remainder = ''
        for data in self._buffer:
            available = len(remainder) + len(data)
            overflow = available % 4
            if remainder:
                data = (remainder + data)
                remainder = ''
            if overflow:
                remainder, data = data[-overflow:], data[:-overflow]
            if data:
                self._file.write(b64decode(data))
        self._buffer = [remainder] if remainder else []

你会像这样使用它:

import requests
from xml.sax import make_parser, handler

parser = make_parser()
parser.setFeature(handler.feature_namespaces, True)
parser.setContentHandler(AttachmentContentHandler('foo.txt'))

r = requests.post('https://example.com/EWS/Exchange.asmx', data=..., stream=True)
r.raw.decode_content = True  # if content-encoding is used, decompress as we read
parser.parse(r.raw)

这将以最大 64KB 的 block (默认 IncrementalParser buffer size )解析输入 XML，因此附件数据最多解码为 48KB 的原始数据 block 。

我可能会扩展内容处理程序以获取目标目录，然后查找 <t:Name>元素提取文件名，然后使用它为找到的每个附件将数据提取到正确的文件名。您还想验证您实际上正在处理 GetAttachmentResponse记录并处理错误响应。