通过counting not属性删除xml元素

Question

嗨，我有一个超大的xml文件(40+ GB)。简化后的结构是

<xml>
    <element>111</element>
    <element>222</element>
    <element>333</element>
    <element>444</element>
    <element>555</element>
    <element>666</element>
    ...
</xml>

我正在尝试删除2,000,000个元素，但我不知道该元素的内容。有没有办法让我这样做？我已经搜索了几个小时，但只找到了基于属性的xml查询。谢谢!

Answer 1

如果您使用的是UNIX，并且已知文件总是采用这种格式，那么使用sed可能是最容易的。

sed -e '2000001d' infile > outfile

如果需要解析实际的XML结构，可以考虑使用xml-sed。

Answer 2

假设您想删除前五个element，首先，获取第一个打开的<element>所在的行。

$ opening=$(grep -n '<element>' < x.xml | head -1 | cut -d: -f1)

然后获取第五个结束</element>的代码行。

$ closing=$(grep -n '</element>' < x.xml | head -n5 | tail -1 | cut -d: -f1)

现在删除从opening到closing的行。

$ sed "${opening},${closing}d" < x.xml

输出：

<xml>
    <element>666</element>
</xml>

如果不确定XML文件的格式，请使用xmllint进行清理。

$ xmllint -format x.xml