如何使用 python 脚本更正 XML 文件的格式(添加标头 + 添加队列 + 删除不完整的部分)

Question

我想用python3处理一个非常大的XML文件（>3千兆字节），但问题是XML文件不完整，如下所示：

<country name="Liechtenstein">
    <rank>1</rank>
    <year>2008</year>
    <neighbor name="Austria" direction="E"/>
</country>
<country name="Singapore">
    <rank>4</rank>
    <year>2011</year>
    <neighbor name="Malaysia" direction="N"/>
</country>
<country name="Panama">
    <rank>68</rank>

我正在寻找的结果是这样的：

<?xml version="1.0"?>
<data>
<country name="Liechtenstein">
    <rank>1</rank>
    <year>2008</year>
    <neighbor name="Austria" direction="E"/>
</country>
<country name="Singapore">
    <rank>4</rank>
    <year>2011</year>
    <neighbor name="Malaysia" direction="N"/>
</country>
</data>

因此，我必须将标题部分（如下所示）添加到XML文件中：

<?xml version="1.0"?>
<data>

然后，删除XML文件的不完整部分（如下所示）：

<country name="Panama">
    <rank>68</rank>

最后，将队列部分（如下所示）添加到 XML 文件中：

</data>

所有这些过程都必须由 Python 脚本完成。

感谢您的帮助。

Answer 1

将连续的行读入缓冲区，在完成另一个<country>...</country>条目后打印并清空缓冲区。

import fileinput
print('<?xml version="1.0"?>n<data>n')
country=[]
for line in fileinput.input():
    country.append(line)
    if '</country>' in line:
        print(''.join(country), end='')
        country=[]
print('</data>n')

为了避免在条目之间打印虚假换行符，我使用 end='' . 如果你想要一个 Python 2 解决方案，Python2 的修复是不同的。

就个人而言，我会用 Awk 写这个，这在涉及此类任务时非常有效。

awk 'BEGIN { print "<?xml version="1.0"?>n<data>" }
    { b = b (b ? ORS : "" ) $0 }
    /</country>/ { print b; b=""; }
    END { print "</data>" }' country.xml

三元表达式(b ? ORS : "")是仅在b不为空时才添加换行符（输出记录分隔符），即避免在第一个成员之前添加换行符。