sax解析采用事件驱动方式边读边处理，内存占用恒定，适合gb级xml；dom则需全量加载内存建树，易致内存溢出。
SAX 解析不是“读取整个 XML 再操作”，而是用事件驱动方式边读边处理，内存占用几乎恒定，适合解析 GB 级 XML 文件。
为什么不能用 DOM 解析超大 XML
DOM 会把整个 XML 加载进内存构建成树状结构，一个 2GB 的 orders.xml 可能占用 6–10GB 内存，直接触发 MemoryError 或 JVM OutOfMemoryError。SAX 不构建树，只在遇到标签开始、结束、文本内容时触发回调，内存只随当前深度和字符数据缓冲区增长。
- DOM 适合需随机访问、多次查询、修改结构的场景（如配置文件）
- SAX 适合单次顺序扫描、提取字段、导入数据库、流式清洗等场景
- Python 中
xml.etree.ElementTree默认是轻量 DOM；真正 SAX 要用xml.sax
Python 中用 xml.sax 处理大型订单 XML
假设你有一个含数百万 <order></order> 的文件，只想提取 order_id、total 和 customer_id 写入 CSV。关键在于：只在 startElement 记住当前路径，在 characters 缓存文本，在 endElement 触发实际逻辑。
import xml.sax
import csv
<p>class OrderHandler(xml.sax.ContentHandler):
def <strong>init</strong>(self, output_file):
self.output_file = output_file
self.current_tag = ""
self.current_order = {}
self.buffer = ""</p><pre class='brush:php;toolbar:false;'>def startElement(self, name, attrs):
self.current_tag = name
if name == "order":
self.current_order = {}
def characters(self, content):
if self.current_tag in ("order_id", "total", "customer_id"):
self.buffer += content.strip()
def endElement(self, name):
if name in ("order_id", "total", "customer_id"):
self.current_order[name] = self.buffer
self.buffer = ""
elif name == "order" and self.current_order:
# 写入一行，不暂存全部数据
with open(self.output_file, "a", newline="") as f:
w = csv.DictWriter(f, fieldnames=["order_id", "total", "customer_id"])
w.writerow(self.current_order)使用
parser = xml.sax.make_parser() handler = OrderHandler("orders_out.csv") parser.setContentHandler(handler) parser.parse("huge_orders.xml") # 即使 5GB 也只占 ~10MB 内存
注意：characters() 可能被多次调用（比如含换行或实体），所以必须用 buffer 累积；startElement 中不要初始化大对象；写 CSV 改成批量写入（如每 1000 条 flush 一次）可进一步提速。
常见陷阱与绕过方式
SAX 是低阶 API，容易写出不可靠代码。最常踩的坑不是语法错，而是状态管理失控：
-
characters()在注释、CDATA、空格缩进里也会触发 → 总是配合self.current_tag判断上下文 - 嵌套同名标签（如
<item><item></item></item>）会导致current_order被覆盖 → 改用栈（self.stack = []）维护层级状态 - 没处理命名空间（
xmlns:ns="..."）→ 要继承xml.sax.handler.ContentHandler并重写startPrefixMapping，或直接用lxml.etree.iterparse（它底层用 SAX，但 API 更稳） - Python 3 中
parser.parse()传文件路径会隐式用open(..., "r")，若 XML 是 UTF-8 BOM 或 GBK 编码会报错 → 显式传 file object：parser.parse(open("f.xml", "rb"))，让 SAX 自动探测编码
真正棘手的不是“怎么写 SAX”，而是“怎么安全地退出嵌套、怎么隔离不同层级的数据、怎么应对不规范的 XML”。很多团队最后转向 lxml.iterparse —— 它保留 SAX 的内存优势，又提供类似 Element 的局部节点访问，错误恢复也更可控。
