在Python中高效比较两个XML文件

Question

我希望在Python脚本中找到一种高效的方法来比较两个XML文件并处理差异。场景是我有两个类似以下的XML文件：

<?xml version="1.0" encoding="UTF-8"?> 
<garage> 
    <car> 
        <color>red</color> 
        <size>big</size> 
        <price>10000</price>
    </car> 
    <car> 
        <color>blue</color> 
        <size>big</size> 
        <price>10000</price>

    <!-- [...] -->

    <car> 
        <color>red</color> 
        <size>big</size> 
        <price>11000</price>
    </car> 
    </car> 
</garage>

这些XML文件包含成千上万个小对象。这些文件本身大小约为5MB。棘手的是，只有两个文件中极少数条目不同，并且我只需要处理不同的信息。换句话说：我需要高效地找出哪些条目发生了变化或已添加。不幸的是，XML文件也包含一些我完全不关心的可选条目。

我考虑了以下解决方案：

1. 将两个文件解析为DOM树并在循环中对它们进行比较
2. 将两个文件解析为集合并使用诸如set.difference之类的运算符
3. 尝试将一些处理交给Linux工具，例如grep和diff

有没有人在这里有这样的方法的性能经验，可以指导我走向哪里？

- Norbert

---

通过使用 Google 并尝试 https://pypi.python.org/pypi/xmldiff - user2665694

@user2799617：那个项目非常过时。但是如果你已经让它工作了，也许你想发表一个回答来展示给我们看？ - Martijn Pieters

我会首先尝试第三个选项。 - Ashalynd

我认为，首先解析XML并将其“规范化”为一系列文本行，每行描述一辆汽车，格式使得相同的汽车始终产生相同的字符串。因此，删除您不关心的内容，并按照每辆汽车的固定顺序呈现与汽车相关的元素。然后使用difflib获取差异。 - Steve Jessop

它部分取决于您想要什么输出。史蒂夫的建议无疑是最简单的。 - Lennart Regebro

Answer 1

创建一个缓存的中间格式，只包含您关心比较的内容。在比较两个文件A.xml和B.xml时，比较它们的A.cached和B.cached，如果缺失则生成并在文件更改时删除（或根据时间戳等重新生成）。生成成本将分摊到多个比较中，您不会迭代不必要的条目。

".cached"的格式实际上取决于您关心的内容以及需要多少信息/上下文。它甚至可以具有二进制表示。

- Preet Kukreti

---

感谢您提供的所有建议。在阅读了大量资料后，我得出结论，我将尝试构建一个样式表，将XML转换为包含所有重要值的平面文本文件。我希望XML周围的工具实现比我能想到的任何实现都更有效率。一旦完成，我会告诉您它是否奏效... - Norbert