在Python中修改gzip xml文件(Adobe Premiere Pro项目文件)的更快方法？

Question

这是我在stackoverflow社区的第一篇帖子，我在闲暇时潜伏了几年，玩python。我已经写了一个脚本来修改Adobe Premiere Pro文件，以便将它们降级到“版本1”。这允许用户在旧版本的程序中打开新的项目文件。

现在，为了清楚，这之前已经做过了。在stackoverflow和Adobe论坛上有几个人发布了关于这个问题的问题和解决方案。我的问题与使用python gzip模块和带有lxml解析器的BeautifulSoup来解压缩和修改xml文件的速度/效率有关。

代码如下：

# Assume I've done all the imports like gzip, bs4, pathlib, sys, etc.
#
def downgrade(prproj_in):  # Main functionality of the program. Downgrades target prproj files.
"""
Shortened the docstring to save reading...
"""
new_version = '1'
root, ext = os.path.splitext(prproj_in)  # Checking if file extension is correct.
new_name = (root + '_DOWNGRADED' + '(v.' + str(new_version) + ').prproj')

try:
    if ext != '.prproj':
        print('Invalid filetype. Must have valid .prproj extension.')
        # If not a valid Adobe Premiere file, exit.
    elif os.path.exists(new_name):
        print('Output file already exists at this location. Please move or rename.')
    else:  # Otherwise... continue on to unzip and parse the xml file with BeautifulSoup.
        with tqdm(total=100) as pbar:  # Initialize progress bar.
            with gzip.open(prproj_in, 'rt') as f:  # Decompress project file and open...
                file_content = f.read()  # Put file contents into variable as string text
                soup = BeautifulSoup(file_content, 'xml')  # create soup object
                print('Current project version: ' +
                      soup.Project.find_next()['Version'])  # Printing current project version.
                soup.Project.find_next()['Version'] = new_version  # Change project version number to 1
                print('Downgraded project version to: ' +
                      str(soup.Project.find_next()['Version']))  # Print new current version.
                pbar.update(80)
                with gzip.open(new_name, 'wt') as f_out:
                    f_out.write(str(soup))  # Turn soup object to string for final writing to gzip file.
                    pbar.update(100)
                    print('Downgrade Complete. New file: ' + new_name)  # Change file extension.
except:
    exception = sys.exc_info()
    handle_exceptions(exception[0])

下面是解压缩后的.prproj文件的开头，以及我需要修改的相关属性：

<?xml version="1.0" encoding="UTF-8" ?>
    <PremiereData Version="3">
        <Project ObjectRef="1"/>
        <Project ObjectID="1" ClassID="62ad66dd-0dcd-42da-a660-6d8fbde94876" Version="30">

此代码在只有几MB (解压前)的项目文件上运行良好，但一旦文件大小达到60、70或80 MB，则运行时间长达10分钟。我目前正在制作一部indy纪录片，其中我的项目文件在压缩时超过100MB，解压时高达1.6 GB。我在一台内存为128 GB、处理器为3 GHz的Xeon上运行这个脚本。

我已经测试了GitHub上的其他几个脚本，它们在处理大型项目文件时表现出类似的行为。

我很乐意听到一些关于如何解决这个问题的想法。谢谢!

Answer 1

如果我理解正确(如果我错了，请纠正我)，您想要更改gzipped文件开头的一部分。

如果这是正确的，那么文件的未压缩版本是XML文件也没什么关系。唯一重要的是，您希望在压缩文件的开头稍作更改。

这总是很难实现的。压缩算法根据较早的信息存储较晚的信息，因此仅更改开头部分也会更改较晚的部分，或者换句话说:更改开头的一部分会导致必须同时更改压缩文件的其余部分，以便不更改文件的未压缩版本的其余部分。

在您的情况下，我担心您将不得不解压缩整个文件，更改它，然后再次压缩它。为了避免这种情况，您需要更改项目的体系结构，以便文件的开头和其余部分彼此分开存储，例如，存储在两个不同的文件中。然后，当需要XML信息时，使用软件需要将这两个文件缝合在一起。

如果您选择第一个选项并解压缩→change→重新压缩文件，那么您可以通过管道来完成此操作，这允许您在一个步骤中完成此操作。如果你需要更多的建议，请随时就这个话题提出另一个问题(然后从这里的评论链接到新的问题)。

Answer 2

@Alfe，谢谢你的想法！通过使用正则表达式重写xml解析步骤，我自己解决了这个问题。在此之前，我没有深入研究过正则表达式，但我发现它的运行速度比Beautiful Soup解析器快了一个数量级。

我修改后的代码在github上：https://github.com/snorkem/prproj_downgrade/blob/master/prproj_downgrade.py