【发布时间】:2018-03-26 15:31:05
【问题描述】:
我正在使用 python 来解析一个 xml 文件,如下所示:
<infoTable>
<nameOfIssuer>3 D SYSTEMS CORPORATION NEW</nameOfIssuer>
<titleOfClass>COM</titleOfClass>
<cusip>88554D205</cusip>
<value>1044</value>
<shrsOrPrnAmt>
<sshPrnamt>88292</sshPrnamt>
<sshPrnamtType>SH</sshPrnamtType>
</shrsOrPrnAmt>
<investmentDiscretion>SOLE</investmentDiscretion>
<otherManager>100</otherManager>
<votingAuthority>
<Sole>0</Sole>
<Shared>0</Shared>
<None>150</None>
</votingAuthority>
</infoTable>
我正在解析数千个 xml 文件,其中包含一定数量的 <infoTable> 块。如果我的文件中有大量 <infoTable> 块,则它会停止读取 <value> 标记及其内容。
有没有人遇到过这样的错误?
作为参考,我在 python 中使用 lxml 解析器的代码如下:
for event, elem in etree.iterparse(fileName, events=("start", "end")):
tag_name = elem.tag.split("}")[1].strip()
if not elem.text:
text = "None"
else:
text = elem.text.strip()
# Do something with tag_name and text
以前有没有人遇到过这样的错误?我不确定内存是否是问题,因为我在多台计算机上尝试了相同的代码和相同的 xml 文件,它给了我同样的错误。此外,当我取出有问题的 xml 块并在该块上运行相同的代码时,它工作正常。不知道在这一点上还能看到什么。
任何帮助将不胜感激!
【问题讨论】:
-
什么是“更大的数字”? “这样的错误”是什么意思?实际错误是什么?
-
当我尝试处理包含 4000 个信息表的文件时,未解析值字段。它没有获取数字(在本例中为 1044),而是获取 None 类型。
-
4000 个 infoTables 大约是一个 4MB 的文件,所以没有那么大
-
elem.tag.split("}")应该做什么?您的所有标签名称都不包含}。 -
它是在命名空间中添加的,所以我使用split语句来获取标签。
标签: python xml xml-parsing lxml