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 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 
class OrderHandler(xml.sax.ContentHandler): def init(self, output_file): self.output_file = output_file self.current_tag = "" self.current_order = {} self.buffer = ""
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 ）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。