我有一个XML文件,里面有超过300000个条目,我的脚本每天都要解析这些条目。。
xml的结构如下:
<root>
<item>
<proper1></proper1>
<proper2></proper2>
</item>
</root>
我需要将大的XML文件拆分成更小的文件,这样我的PHP就可以运行它们,目前它无法处理它,因为它占用了太多内存。有人能帮我吗?
这在很大程度上取决于您的XML文件结构。
例如,你可以这样做(假设结构是你发布的,包括回车,否则事情会变得更复杂):
换行版本:如果格式"恰到好处",则会对大型XML文件进行快速切片
同时崩溃和刻录,如果文件没有完全像这样格式化
$fp = fopen(XMLFILE, 'r');
$decl = fgets($fp, 1024); // Drop the XML declaration '<?xml...?>'
$root = fgets($fp, 1024); // Drop the root declaration
$n = 1;
while(!feof($fp)) {
$tag = fgets($fp, 1024);
if ('<item>' === $tag) {
isset($gp) || trigger_error('Unexpected state');
$gp = fopen("chunk{$n}.xml", 'w'); $n++;
// Write the header of the file we saved from before
fwrite($gp, $decl);
fwrite($gp, $root);
} else if ('</item>' === $tag) {
fwrite($gp, $tag);
fwrite($gp, '</root>');
fclose($gp); unset($gp);
continue;
}
if (!isset($gp)) {
if ('</root>' === $tag /* EOF */) {
break;
} else {
trigger_error('Unexpected state 2');
}
}
fwrite($gp, $tag);
}
fclose($fp);
isset($gp) || trigger_error('Unexpected state 3');
这样做的主要好处是允许您"回收"XML解析脚本(事实上,您可以在关闭$gp后立即调用XML解析脚本,或者更好的做法是,根本不写入任何文件,而是在缓冲区上排队转发,并使用该缓冲区调用脚本)。
另一个优点是能够在不同的子服务器之间"外包"文件,例如,由于DNS解析、DB调用、HTTP/SOAP调用、需要反馈等原因,XML处理时间很长。在这种情况下,您可以基于($n%NUM_CLIENTS)将文件保存在不同的个子目录中,每个客户端都可以一次获取一个文件,处理并删除它,然后继续。
然而,最好的方法是重写脚本,这样就不会在内存中加载XML,而是使用XML Parser支持一次解析一点。
折衷方案是使用XMLParser对XML文件进行切片,并将其"原样"提供给现有脚本。
XMLparse版本:高效地对大型XML文件进行切片
而不用担心XML实际上是如何组合在一起的
xmlparse函数通过回调来工作,即您将数据馈送到一个入口点(xml_parse),然后该入口点分析数据,对数据进行拆分,将各种块路由到您定义的适当子函数。xml_parse将处理编码和空白,从而使您无需处理这些问题,这是上面代码中最大的缺点之一。xmlparse核心本身不保存数据,因此即使对于GB(或TB)文件,我们也可以实现恒定的内存实现。
因此,让我们看看如何重写XMLParser的代码,并通过拆分给定标记的特定重复次数来对大文件进行分块。
即,输入文件:
<root><item>(STUFF OF ITEM1)</item><item>(STUFF OF ITEM2)/item>....ITEM1234...</root>
输出文件:
FILE1: <root><item>(1)</item><item>(2)</item>...(5)</root>
FILE2: <root><item>(6)</item><item>(7)</item>...(10)</root>
...
我们通过编写一个XML解析器来实现这一点,该解析器将提取N个(此处N=5)项的每个"块",并将其提供给块处理器,该处理器在接收到。。。将它包装在标签之间,添加一个XML头,从而生成一个与原始大文件语法相同但只有五项的文件。
为了保存在单独的文件中,我们会跟踪区块号。
function processChunk($lastChunk = false) {
GLOBAL $CHUNKS, $PAYLOAD, $ITEMCOUNT;
if ('' == $PAYLOAD) {
return;
}
$xp = fopen($file = "output-$CHUNKS.xml", "w");
fwrite($xp, '<?xml version="1.0"?>'."'n");
fwrite($xp, "<root>");
fwrite($xp, $PAYLOAD);
$lastChunk || fwrite($xp, "</root>");
fclose($xp);
print "Written {$file}'n";
$CHUNKS++;
$PAYLOAD = '';
$ITEMCOUNT = 0;
}
xmlparse函数需要回调:一个接收标记OPENING,一个接收标签CLOSING,一个获取内容,另一个获取任意内容。我们对什么都不感兴趣,所以我们只填充前三个处理程序。
function startElement($xml, $tag, $attrs = array()) {
GLOBAL $PAYLOAD, $CHUNKS, $ITEMCOUNT, $CHUNKON;
if (!($CHUNKS||$ITEMCOUNT)) {
if ($CHUNKON == strtolower($tag)) {
$PAYLOAD = '';
}
}
$PAYLOAD .= "<{$tag}";
foreach($attrs as $k => $v) {
$PAYLOAD .= " {$k}='"" .addslashes($v).'"';
}
$PAYLOAD .= '>';
}
function endElement($xml, $tag) {
GLOBAL $CHUNKON, $ITEMCOUNT, $ITEMLIMIT;
dataHandler(null, "</{$tag}>");
if ($CHUNKON == strtolower($tag)) {
if (++$ITEMCOUNT >= $ITEMLIMIT) {
processChunk();
}
}
}
function dataHandler($xml, $data) {
GLOBAL $PAYLOAD;
$PAYLOAD .= $data;
}
function defaultHandler($xml, $data) {
// a.k.a. Wild Text Fallback Handler, or WTFHandler for short.
}
createXMLParser函数是独立的,以提高的清晰度
function createXMLParser($CHARSET, $bareXML = false) {
$CURRXML = xml_parser_create($CHARSET);
xml_parser_set_option( $CURRXML, XML_OPTION_CASE_FOLDING, false);
xml_parser_set_option( $CURRXML, XML_OPTION_TARGET_ENCODING, $CHARSET);
xml_set_element_handler($CURRXML, 'startElement', 'endElement');
xml_set_character_data_handler($CURRXML, 'dataHandler');
xml_set_default_handler($CURRXML, 'defaultHandler');
if ($bareXML) {
xml_parse($CURRXML, '<?xml version="1.0"?>', 0);
}
return $CURRXML;
}
最后是进料循环,打开大文件先生并将其发送到研磨机。
function chunkXMLBigFile($file, $tag = 'item', $howmany = 5) {
GLOBAL $CHUNKON, $CHUNKS, $ITEMLIMIT;
// Every chunk only holds $ITEMLIMIT "$CHUNKON" elements at most.
$CHUNKON = $tag;
$ITEMLIMIT = $howmany;
$xml = createXMLParser('UTF-8', false);
$fp = fopen($file, 'r');
$CHUNKS = 0;
while(!feof($fp)) {
$chunk = fgets($fp, 10240);
xml_parse($xml, $chunk, feof($fp));
}
xml_parser_free($xml);
// Now, it is possible that one last chunk is still queued for processing.
processChunk(true);
}
然后我们调用机器:"将test.xml拆分为项目标签的5个实例"
ChunkXMLBigFile('test.xml', 'item', 5);
这个实现的运行速度大约是一开始愚蠢的chunker的五倍,但可以在同一行中处理标记,甚至可以扩展以验证XML。
请看一下这篇文章PHP XML解析
- SAX解析
- XML阅读器XMLReader Pull Parser
将最适合这份工作
阅读上面的文章,尝试一些代码,你肯定会得到这个的答案