Búsqueda básica de archivos Python y E/S

Question

Estoy intentando completar una tarea simple en Python y soy nuevo en el lenguaje (soy C++). Espero que alguien pueda señalarme en la dirección correcta.

Tengo un archivo XML (12mb) lleno de datos y dentro del archivo hay etiquetas de inicio 'xmltag' y etiquetas de finalización '/ xmltag' que representan el inicio y el final de las secciones de datos que me gustaría extraer.

Me gustaría navegar a través de este archivo abierto con un bucle y para cada instancia ubicar una etiqueta de inicio y copiar los datos dentro de la sección en un nuevo archivo hasta la etiqueta final. Me gustaría repetir esto al final del archivo.

Estoy satisfecho con la E/S de archivos pero no con los bucles, búsquedas y extracciones de datos más eficientes.

Me gusta mucho el aspecto del idioma y con suerte me involucraré más para poder ayudar a la comunidad.

¡Muchas gracias!

Answer 1

Comprobar BeautifulSoup

from BeautifulSoup import BeautifulSoup 

with open('bigfile.xml', 'r') as xml: 
    soup = BeautifulSoup(xml): 
    for xmltag in soup('xmltag'): 
     print xmltag.contents 

Answer 2

Inmersión en Python 3 tienen un gran capítulo en esto:

• http://diveintopython3.org/xml.html#xml-parse

It'a gran libro gratuito sobre pitón, vale la pena leer!

Answer 3

xml=open("xmlfile").read() 
x=xml.split("</xmltag>") 
for block in x: 
    if "<xmltag>" in block: 
     print block.split("<xmltag>")[-1] 

Answer 4

No es necesario instalar BeautifulSoup, Python incluye el analizador ElementTree en su biblioteca estándar.

from xml.etree import cElementTree as ET 
tree = ET.parse('myfilename') 
new_tree = ET('new_root_element') 
for element in tree.findall('.//xmltag'): 
    new_tree.append(tree.element) 
print ET.tostring(new_tree) 

Answer 5

La respuesta BeautifulSoup es bueno, pero esto se ejecuta más rápido y no requiere de una biblioteca externa:

import xml.etree.cElementTree as ET 
tree = ET.parse('xmlfile.xml') 
results = (elem for elem in tree.getiterator('xmltag')) 

# in Python 2.7+, getiterator() is deprecated; use tree.iter('xmltag')