Существует ли быстрый анализатор XML в Python, который позволяет мне получить начало тега в виде байтового смещения в потоке?

Question

Я работаю с потенциально огромными XML-файлами, содержащими сложную информацию о трассировке моих проектов.

Я хотел бы построить индексы для этих XML-файлов, чтобы можно было быстро найти подразделы XML-документа без необходимости загружать все это в память.

Если я создал "полочный" индекс, который может содержать такую ​​информацию, как "книги для автора Джо" со смещением [22322, 35446, 54545], то я могу просто открыть XML-файл, как обычный текстовый файл, и искать эти смещения, а затем было это одному из парсера DOM, который принимает файл или строки.

Часть, которую я еще не понял, это как быстро разобрать XML и создать такой индекс.

Итак, что мне нужно в качестве быстрого парсера SAX, который позволяет мне находить начальное смещение тегов в файле вместе с начальными событиями. Таким образом, я могу проанализировать подраздел XML вместе с отправной точкой в ​​документе, извлечь информацию о ключе и сохранить ключ и смещение в индексе полки.

Answer 1

Так как локаторы возвращают номера строк и столбцов вместо смещения, вам нужно немного обернуть, чтобы отследить концы строк - упрощенный пример (может иметь некоторые отклонения; -)...:

import cStringIO
import re
from xml import sax
from xml.sax import handler

relinend = re.compile(r'\n')

txt = '''<foo>
            <tit>Bar</tit>
        <baz>whatever</baz>
     </foo>'''
stm = cStringIO.StringIO(txt)

class LocatingWrapper(object):
    def __init__(self, f):
        self.f = f
        self.linelocs = []
        self.curoffs = 0

    def read(self, *a):
        data = self.f.read(*a)
        linends = (m.start() for m in relinend.finditer(data))
        self.linelocs.extend(x + self.curoffs for x in linends)
        self.curoffs += len(data)
        return data

    def where(self, loc):
        return self.linelocs[loc.getLineNumber() - 1] + loc.getColumnNumber()

locstm = LocatingWrapper(stm)

class Handler(handler.ContentHandler):
    def setDocumentLocator(self, loc):
        self.loc = loc
    def startElement(self, name, attrs):
        print '%s@%s:%s (%s)' % (name, 
                                 self.loc.getLineNumber(),
                                 self.loc.getColumnNumber(),
                                 locstm.where(self.loc))

sax.parse(locstm, Handler())

Конечно, вам не нужно хранить все linelocs вокруг - чтобы сохранить память, вы можете отбросить "старые" (ниже последних запрашиваемых), но затем вам нужно сделать linelocs диктовкой и т. Д.